autoreferat - wrib.up.poznan.pl · załącznik ii (autoreferat) 6 z 38 ploatacyjnych do modelu,...

AUTOREFERAT

PRZEDSTAWIAJĄCY OPIS DOROBKU I OSIĄGNIĘĆ NAUKOWYCH

Dr inż. Grzegorz Bartnik

Uniwersytet Przyrodniczy w Lublinie

Wydział Inżynierii Produkcji

Katedra Inżynierii Mechanicznej i Automatyki

ul. Głęboka 28, 20-612 Lublin

Lublin 2019

Załącznik II (Autoreferat)

2 z 38

SPIS TREŚCI

1. Dane personalne ............................................................................................................................ 3

2. Posiadane dyplomy, stopnie naukowe z podaniem nazwy, miejsca i roku ich uzyskania oraz

tytuł rozprawy doktorskiej ................................................................................................................... 3

3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych ................................ 3

4. Wskazanie osiągnięcia wynikającego z artykułu 16 ustęp 2 ustawy z dnia 14 marca 2003r.

o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki (Dz. U. nr

65, poz. 595 ze zm.) ................................................................................................................................ 4

4.1. Określenie osiągnięcia ................................................................................................... 4

4.2. Omówienie celu naukowego prac wchodzących w skład osiągnięcia naukowego,

osiągniętych wyników i możliwych zastosowań .............................................................................. 6

4.2.1. Wprowadzenie ........................................................................................................... 7

4.2.2. Cel naukowy badań przedstawionych do oceny ................................................... 11

4.2.3. Omówienie rezultatów przedstawionych w publikacjach wskazanych jako

osiągnięcie naukowe .................................................................................................................... 12

4.2.4. Podsumowanie ......................................................................................................... 27

4.3. Literatura źródłowa .................................................................................................... 30

5. Omówienie pozostałego dorobku naukowego niewchodzącego w skład osiągnięcia

naukowego wymienionego w punkcie 3 ............................................................................................. 32

5.1. Dorobek naukowy przed uzyskaniem stopnia naukowego doktora........................................ 32

5.2. Osiągnięcia po uzyskaniu stopnia naukowego doktora............................................................ 33

5.3. Osiągnięcia dydaktyczne, organizacyjne i popularyzatorskie ................................................. 35

6. Zestawienie liczbowe osiągnięć ................................................................................................... 38


3 z 38

1. Dane personalne

Imię i nazwisko: Grzegorz Bartnik

2. Posiadane dyplomy, stopnie naukowe z podaniem nazwy, miejsca i roku ich uzyska-

nia oraz tytuł rozprawy doktorskiej

Uzyskany tytuł: magister inżynier

Politechnika Lubelska

Kierunek: mechanika

Specjalność: maszyny i urządzenia przemysłu chemicznego i spożywczego

Tytuł pracy magisterskiej: „Projekt stanowiska do badań fabrycznych homogenizatorów”

Promotor: dr inż. Rimma Popko

Data obrony: 22.05.1981

Uzyskany stopień: doktor nauk rolniczych

Akademia Rolnicza w Lublinie Wydział Techniki Rolniczej

Dyscyplina naukowa: inżynieria rolnicza

Specjalność: budowa i eksploatacja maszyn spożywczych

Tytuł pracy doktorskiej: „System doradczy w zakresie eksploatacji maszyn w przemyśle

mleczarskim”

Promotor: dr hab. inż. Andrzej Kusz

Recenzenci: prof. dr inż. Henryk Popko – Politechnika Lubelska

dr hab. inż. Leszek Powierża– Politechnika Warszawska

Data obrony: 09.10.1997

3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych

1.10.1990 – 14.11.1997 Stanowisko: asystent

Akademia Rolnicza w Lublinie

Wydział Techniki Rolniczej

Instytut Podstaw Techniki

15.11.1997 – 29.02.2016 Stanowisko: adiunkt




(wcześniej do 2011 w Zakładzie Teorii Maszyn i Automatyki

w Katedrze Podstaw Techniki do 2008 w Akademii Rolniczej

w Lublinie do 2003 na Wydziale Techniki Rolniczej)

01.03.2016 – obecnie Stanowisko: starszy wykładowca





4 z 38

4. Wskazanie osiągnięcia wynikającego z artykułu 16 ustęp 2 ustawy z dnia 14 marca

2003r. o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakre-

sie sztuki (Dz. U. nr 65, poz. 595 ze zm.)

4.1. Określenie osiągnięcia

Osiągnięciem naukowym mojej pracy jest semantyczna integracja danych procesowych

w celu wspomagania procesów decyzyjnych w inżynierii rolniczej jako:

1) ekspresji procesów produkcyjnych,

2) ich pojęciowej abstrakcji w postaci procesów mentalnych, obejmujących ontologię

procesów fizycznych (technologicznych) oraz mechanizmy inferencyjne,

3) symboliczną reprezentację wiedzy i informacji o procesach fizycznych (technologicz-

nych) – formalną i wykonywalną w postaci procesów obliczeniowych zachodzących

w strukturze informatycznej badanych systemów przedmiotowych.

Dziedziną przedmiotową moich badań są więc procesy fizyczne reprezentowane w aspek-

cie kognitywnym oraz obliczeniowym. Aspekt kognitywny dotyczy reprezentacji wiedzy pro-

cesowej w postaci pojęciowych modeli bytów fizycznych istniejących w dziedzinie przedmio-

towej, ich klasyfikacji oraz relacji międzypojęciowych tworzących strukturę partonomiczną

(relacje „część – całość”) oraz relacji przyczynowo – skutkowych umożliwiających wniosko-

wanie predykcyjne oraz diagnostyczne.

Dziedzina przedmiotowa moich badań ewoluowała od procesów eksploatacji maszyn po-

przez procesy produkcji żywności, do niezawodności i bezpieczeństwa procesów i produk-

tów.

Budowanie reprezentacji procesów fizycznych w formie pojęć i relacji międzypojęcio-

wych oraz komputerowych modeli strukturalnych i inferencyjnych związałem z paradygma-

tem „… systemy produkcji oparte na wiedzy i informacji”. Natomiast zastosowane metody

zaczerpnąłem z metodologii ontologicznej inżynierii wiedzy, wybranych metod sztucznej

inteligencji oraz inżynierii danych.

Pojęcie komputerowego modelu procesu skonkretyzowałem jako symboliczną, wykony-

walną reprezentację wiedzy i informacji procesowej, wbudowaną w proces produkcyjny

w strumień danych procesowych, dostrajaną strukturalnie i parametrycznie do modelowanego

procesu poprzez algorytmy uczenia maszynowego pracujące na otrzymywanych danych oraz

wspomagającą podejmowanie decyzji procesowych w oparciu o algorytmy inferencyjne.

Egzemplifikacją wyżej przedstawionego osiągnięcia naukowego było zbudowanie modeli

takich jak:

Ekspertowy system reprezentacji wiedzy diagnostycznej dotyczącej linii produkcyjnej

w przemyśle mleczarskim,

Probabilistyczny model wytrzymałości na zginanie kompozytów stomatologicznych

w zastosowaniu do modelowania niezawodności układów „ząb – kompozyt stomato-

logiczny,

Model procesu konstruowania obiektu technicznego spełniającego zadane ogranicze-

nia.

Grafowa reprezentacja struktury złożonych obiektów.

Cykl dziewięciu powiązanych tematycznie publikacji, wydanych po uzyskaniu stopnia

naukowego doktora, tworzy wskazane osiągnięcie naukowe prezentując wielowymiarowe

ujęcie badań procesów produkcji (głównie żywności) w aspekcie jakości i bezpieczeństwa,

procesów eksploatacji maszyn przemysłu spożywczego ich niezawodności i bezpieczeństwa

z uwzględnieniem procesowego paradygmatu zarządzania jakością.

Publikacje zostały dobrane tak, aby zaprezentować jak budowane i rozwijane były modele

wykorzystywania danych procesowych począwszy od systemów ekspertowych do coraz bar-


5 z 38

dziej złożonych modeli budowanych z wykorzystaniem technologii sieci bayesowskich i pro-

gramowania w logice ograniczeń CLP.

Pierwszy artykuł z prezentowanego osiągnięcia [A] został napisany w 1999 roku i przed-

stawia wyniki prac prowadzonych w odpowiedzi na problemy wynikające z procesów eksplo-

atacji maszyn w przemyśle mleczarskim. Wykorzystałem tu doświadczenie jakie wyniosłem

z 9 lat pracy zawodowej w służbach utrzymania ruchu w mleczarni w Lublinie. Przedstawio-

ny został model reprezentacji wiedzy dla dedykowanych systemów doradczych na przykła-

dzie rozwiązywania problemu regulacji ciśnienia homogenizacji. Artykuły [B, C, E, F, G]

przedstawiają kolejne modele wykorzystujące grafy pojęciowe i technologię sieci bayesow-

skich jako elementy IT dla systemów reprezentacji wiedzy stosowanych w budowie baz wie-

dzy zawierających dane procesowe.

Dwa artykuły [D, H] dotyczą badań niezawodnościowych kompozytów stomatologicz-

nych, jako elementów systemu biologicznego, gdzie wykorzystałem możliwości pozyskania

danych procesowych z rzeczywistych procesów produkcji i użytkowania kompozytów oraz

dostępu do wyników badań kompozytów stomatologicznych prowadzonych na lubelskich

uczelniach. Przez kilka lat pełniłem obowiązki pełnomocnika ds. zarządzania jakością u pol-

skiego producenta wyrobów medycznych (w tym kompozytów stomatologicznych).Wówczas

pojawił się dodatkowy problem biokompatybilności produkowanych wyrobów i został on

uwzględniony jako jeden z warunków niezawodnościowych w odniesieniu do kompozytów

stomatologicznych. Obecnie zachowanie warunku biokompatybilności jest obligatoryjnym

wymaganiem przy produkcji coraz większej ilości wyrobów.

W artykule[I] zaprezentowany został opis metody projektowania z wykorzystaniem języ-

ka logiki ograniczeń (CLP) na przykładzie projektowania podnośnika kubełkowego. CLP

przedstawiony został jako metoda wspomagania użytkownika przy rozwiązywaniu proble-

mów konstruowania i produkcji obiektów technicznych w różnych wariantach związanych z

parametrami wyjściowymi np. wysokością podnoszenia czy wydajnością, gdzie producent

chce wykorzystywać gotowe elementy czy całe moduły i dobierać je zgodnie z wymaganiami

klienta.

Tytuł osiągnięcia naukowego:

ZASTOSOWANIE METOD INŻYNIERII DANYCH PROCESOWYCH W ZAPEWNIENIU JAKOŚCI,

NIEZAWODNOŚCI I BEZPIECZEŃSTWA PRODUKCJI

W skład osiągnięcia naukowego wchodzą następujące publikacje:

A. Bartnik G. :Reprezentacja wiedzy eksploatacyjnej w systemie doradczym na przykładzie

przemysłu spożywczego. Inżynieria Rolnicza Nr 2(8), Warszawa 1999 strony 117-125,

4 pkt. MNiSW.

B. Bartnik G., Marciniak A. W., Modelowanie ryzyka identyfikacji krytycznych punktów

kontroli w łańcuchach żywności, W: Zarys inżynierii systemów bioagrotechnicznych. Cz.

3b. Modelowanie wybranych procesów / pod redakcją Leszka Powierży Płock 2007, P.P.-

H. "Drukarnia" Sp. z o.o, s. 401-420, 5 pkt. rozdział w monografii.

Mój wkład w powstanie tej pracy szacuję na 60 %. Obejmował on współudział w opraco-

waniu koncepcji pracy, współudział w opracowaniu modelu, opracowanie grafiki dla mo-

delu, wprowadzenie danych procesowych do modelu, współudział w redagowaniu tekstu

artykułu.

C. Bartnik G., Marciniak A. W., Bieganowski A., Ocena doboru sieci neuronowej do okre-

ślania występowania i wyznaczania zakresu quasiplateau w woltamperometrycznych po-

miarach natlenienia gleby, Inż. Rol. 2008 Nr 7 (105) s. 7-14,4 pkt. MNiSW.


waniu koncepcji pracy, współudział w opracowaniu modelu, wprowadzenie danych eks-


6 z 38

ploatacyjnych do modelu, opracowanie grafiki dla modelu, współudział w redagowaniu

tekstu artykułu.

D. Bartnik G., Marciniak A. W.,Operational reliability model of the production line,Teka

Komis. Mot. Energ. Rol._Pol. Akad. Nauk. Oddz. Lubl. 2011 T. 11C s. 361-377,

6 pkt.MNiSW.



ploatacyjnych do modelu, weryfikacja modelu, współudział w redagowaniu tekstu artyku-

łu.

E. Bartnik G., Kusz A.: Sieci probabilistyczne jako system reprezentacji wiedzy diagno-

stycznej, Inżynieria Systemów Bioagrotechnicznych, Zeszyt 5 (14) strony 5-12, Płock

2005, 1 pkt. MNiSW.



ploatacyjnych do modelu, opis i weryfikacja modelu, współudział w redagowaniu tekstu

artykułu.

F. Bartnik G., Kusz A., Marciniak A. W. - Modelowanie procesu eksploatacji obiektów

technicznych za pomocą dynamicznych sieci bayesowskich. Inżynieria Rolnicza 12 (87),

strony 9 - 16, Kraków 2006 rok, 4 pkt. MNiSW.



ploatacyjnych do modelu, opracowanie grafiki dla modelu, współudział w redagowaniu

tekstu artykułu.

G. Bartnik G., Marciniak A. Modelowanie łańcuchów przyczynowo-skutkowych w proce-

sach propagacji zagrożeń i oparte o model zarządzanie bezpieczeństwem produktów me-

dycznych „Postępy Nauki i Techniki” numer 12/2012 strony 13-18, Oddział SIMP w Lu-

blinie, 2012 rok, 4 pkt. MNiSW.


waniu koncepcji pracy, współudział w opracowaniu modelu, wprowadzenie danych proce-

sowych do modelu, współudział w redagowaniu tekstu artykułu.

H. Bartnik G., Pieniak D., Niewczas A. M., Marciniak A. Probabilistyczny model wytrzyma-

łości na zginanie kompozytów stomatologicznych w zastosowaniu do modelowania nie-

zawodności układów „ząb – kompozyt stomatologiczny”. Eksploatacja i Niezawodność -

Maintenance and Reliability 2016; 1 (18): strony 136 – 141. 25 pkt. MNiSW, IF 1,145



ploatacyjnych do modelu i jego uczenie, opracowanie materiału ilustrującego działanie

modelu, współudział w redagowaniu tekstu artykułu.

I. Bartnik G. Marciniak A., Gołacki K., Application of CLP for technical objects construc-

tion with an exemplary bucket elevation. ITM Web Conf. Volume 21, 2018 Computing in

Science and Technology (CST 2018), 15 pkt. MNiSW.



ploatacyjnych do modelu, jego weryfikacji oraz współudział w redagowaniu tekstu artyku-

łu.

Łączna liczba punktów za publikacje wchodzące w skład osiągnięcia naukowego wynosi 68,

sumaryczny Impact Factor wynosi 1,145.

4.2. Omówienie celu naukowego prac wchodzących w skład osiągnięcia naukowego,

osiągniętych wyników i możliwych zastosowań


7 z 38

4.2.1. Wprowadzenie

Procesy produkcji i dystrybucji żywności stanowią znaczący obszar gospodarki narodo-

wej. Rosnące wymagania na rynkach żywności, zwłaszcza w zakresie pozyskiwania żywności

o wysokiej jakości, wymagają zmiany w procesach jej produkcji i dystrybucji.

Coraz szybszy rozwój techniki, unowocześnianie procesów produkcyjnych, doskonalenie

konstrukcji maszyn i urządzeń, oraz mechanizacja i automatyzacja procesów produkcyjnych

stawia coraz wyższe wymagania pracownikom obsługi i służbom utrzymania ruchu. Postępu-

jąca mechatronizacja oznacza zastępowanie w istniejących i nowo projektowanych struktu-

rach działaniowych dotychczasowego sposobu przekazywania informacji poprzez oddziały-

wania wysokoenergetyczne oddziaływaniami informacyjnymi za pomocą wbudowanych

w proces systemów informatycznych. Systemy oparte o procesy informacyjne są szczególnie

istotne na etapie podejmowania decyzji odnośnie wyboru działań dotyczących wszystkich faz

istnienia obiektów technicznych. Z założenia decyzje te muszą być racjonalne, czyli oparte na

wiedzy i informacji oraz optymalne, czyli najlepsze z możliwych.

Informacja staje się więc, oprócz energii i czasu, najważniejszym zasobem produkcyjnym.

Jest jedynym zasobem, który nie tylko nie zużywa się w miarę używania, ale zasób ten rośnie

w przeciwieństwie do energii i czasu. Procesy produkcji oparte na wiedzy i informacji wyma-

gają wbudowania w nie kognitywnego procesu pozyskiwania szczegółowych informacji

w oparciu o ciągle aktualizowane dane i coraz głębszą ich interpretację. Precyzja interpretacji

danych uzależniona jest od sprawności procesów rozumowania uwzględniającego aktualną

wiedzę jakościową. Podstawowe, użyteczne formy rozumowania to rozumowanie predykcyj-

ne umożliwiające przewidywanie skutków podejmowanych decyzji z wykorzystaniem deduk-

cyjnego domykania zbiorów obserwowanych faktów. W przypadku procesów o znacznej roz-

ciągłości przestrzenno –czasowej (a taka jest właśnie natura procesów produkcji żywności)

bardzo ważne jest rozumowanie diagnostyczne oparte o cykl hipotetyczno – dedukcyjny (ab-

duction reasoning).

Implementacja takich mechanizmów rozumowania jest osiągalna w systemach zarządza-

nia i sterowania procesami opartymi o model. Proces modelowania powinien być ściśle sprzę-

żony z procesem produkcji. Jest to typowy problem inżynierii wiedzy, gdzie model definio-

wany jest jako formalny i wykonywalny, symboliczny system reprezentacji wiedzy proceso-

wej. Zgodnie z metodologią inżynierii wiedzy budowanie modelu procesu bazuje na danych

procesowych oraz wiedzy jakościowej dotyczącej modelowanego procesu. Wiedza jakościo-

wa jest niezbędna do zidentyfikowania relacyjnej struktury i metastruktury danych proceso-

wych. Relacje reprezentują oddziaływania wewnątrzprocesowe a także istotne oddziaływania

otoczenia procesowego (kontekst).

Szczególne znaczenie mają tu relacje „być” i „mieć”, które są niezbędne do reprezentacji

wiedzy ontologicznej o tym, co istnieje w modelowanej dziedzinie przedmiotowej, co jest

czym i jakie ma własności (properties). Kolejne, konieczne relacje, to relacje partonomiczne–

„część”, „całość” niezbędne do reprezentacji wiedzy o strukturach występujących w dziedzi-

nie przedmiotowej (strukturach obiektów i procesów) oraz relacje przyczynowe niezbędne

w procesach rozumowania predykcyjnego i diagnostycznego [Marciniak 2005].

Wiedza jakościowa jest reprezentowana w modelu w formie grafów, których węzły repre-

zentują byty dziedziny przedmiotowej, a łuki grafu ukierunkowane relacje między nimi.

Wbudowanie modelu w zarządzanie i kontrolowanie oraz zarządzanie procesem produkcji

wymaga zautomatyzowania jego tworzenia i uaktualniania w oparciu o rejestrowane w czasie

rzeczywistym dane procesowe i algorytmy uczenia maszynowego oraz algorytmy inferencyj-

ne (wnioskowania). Algorytmy uczenia maszynowego są w pewnym sensie również algoryt-

mami inferencyjnymi – wnioskowanie indukcyjne.

Coraz większe znaczenie w modelowaniu procesów mają dane procesowe. Każdy proces

oprócz produktu głównego, generuje dane, które są obecnie uważane za najważniejszy pro-


8 z 38

dukt uboczny. Maszyny z wbudowaną strukturą informatyczną są gotowymi generatorami

petabajtowych strumieni danych. Podobne strumienie danych generuje otoczenie produkcyj-

ne. Inżynieria danych oferuje efektywne metody pozyskiwania, gromadzenia i przetwarzania

danych procesowych. Wykorzystywane są tu praktycznie wszystkie znane systemy bazoda-

nowe poczynając od arkuszy kalkulacyjnych, poprzez relacyjne SQLowe bazy danych a koń-

cząc na najnowszych NoSQLowych bazach danych w tym grafowych (graph data bases). Ob-

serwowane zmiany ukierunkowane są na zwiększenie semantyczności baz danych poprzez

dodanie metawarstw danych. Szczególnie grafowe bazy danych są tu istotnym osiągnięciem,

ponieważ umożliwiają w formalny sposób reprezentowanie w swojej strukturze jakościowej

wiedzy procesowej w postaci bogatych struktur relacyjnych.

Geneza problemów badanych w moich pracach tkwi w dziedzinach empirycznych, gdzie

potrzebne dane i informacje generowane są przez rzeczywiste systemy i procesy. Poznawanie

problemów i ich rozwiązywanie musi być wbudowane w proces eksploatacji

Wiedza jest postrzegana jako proces, który musi być zidentyfikowany z określonymi wej-

ściami i wyjściami. Wiedzieć to znać zmienność w czasie czegoś co jest przedmiotem pozna-

wania. W moich pracach stosuję podejście procesowe, które polega na widzeniu wszystkiego

jako zmienność ukierunkowaną i kontrolowaną poprzez użycie zasobów wiedzy i informacji.

Procesy w rzeczywistości występują w postaci procesów fizycznych (np. produkcja), mental-

nych (wiedza i informacja) i obliczeniowych (Rys. 1). Wszystkie te procesy muszą być ze

sobą sprzężone. W procesach produkcji następuje więc sprzężenie procesów fizycznych nie

tylko z procesami mentalnymi, modelami pojęciowymi i rozumowaniem, ale również z proce-

sami obliczeniowymi. Można wówczas mówić o obliczeniowej reprezentacji procesów.

Rysunek 1. Wzajemnie sprzężone procesy fizyczne, obliczeniowe i mentalne.

Analityka danych procesowych używana w inżynierii danych uwzględnia nie tylko dane

ilościowe ale również dane jakościowe. Wiedza jakościowa o procesie jest wiedzą o relacjach

wewnątrzprocesowych. Oparta o inżynierię wiedzy symboliczna reprezentacja danych jest

gromadzona w semantycznych bazach danych, gdzie dane reprezentowane są jako pary (wiel-

kość, wartość) z rozpatrywaniem relacji takich jak „być”, „mieć”, „być częścią”, „być przy-

czyną”, itp. Uwzględnienie tych relacji stanowi minimum, aby baza danych była semantycz-

na. W takim przypadku można uruchomić automatyczne algorytmy uczenia maszynowego

i wnioskowania, tj. oparte o model, procesy inferencyjne interpretacji, predykcji i diagnozo-

wania.

Zarządzanie procesami oparte o model to zarządzanie oparte na wiedzy i informacji i jest

racjonalne, optymalne oraz uwzględnia czynnik niepewności. Ponieważ wszystko istnieje

jako zmienność ukierunkowana i kontrolowana, tak więc aby zarządzać procesami należy

użyć zasobów wiedzy i informacji.

Jednym z założeń motywujący cel moich prac jest paradygmat procesowy, według które-

go każdy proces produkcji wyrobów czy usług, przemysłowy czy naturalny, oprócz produktu

głównego kreuje produkty uboczne, z których najbardziej wartościowym są dane procesowe.

fizyczne

obliczeniowe mentalne


9 z 38

Z punktu widzenia współczesnej inżynierii produkcji i inżynierii wiedzy dane procesowe są

nośnikiem informacji i wiedzy a więc zasobów produkcyjnych, które – jak wyżej wspomina-

łem - w przeciwieństwie do zasobów energii i czasu nie tylko nie są zużywane, gdy są uży-

wane, lecz wręcz pomnażane w wyniku użycia a ponadto mające zdolność substytuowania

niedoborów energii i czasu.

Taki sposób traktowania wiedzy i informacji pozwala na stworzenie większych możliwo-

ści pozyskiwania odpowiednich danych procesowych w trakcie procesu ich zapisywania,

przechowywania a przede wszystkim wykorzystywania w szeroko rozumianych procesach

decyzyjnych zarówno podczas planowania jak i trwania procesów produkcyjnych.

Potraktowanie danych procesowych jako wartościowego źródła wiedzy i informacji pro-

cesowej jest jednym z głównych wymagań dyrektyw unijnych XXI wieku, czyli potrzeby

oparcia procesów produkcji na wiedzy i informacji [Marciniak 1996-2005]. Pomocne w tym

są nowe dyscypliny naukowe i metodologie a zwłaszcza inżynieria wiedzy (knowledge engi-

neering) i inżynieria danych (data engineering). Procesy produkcji oparte na wiedzy i infor-

macji wymagają wbudowania w nie środków i działań pozwalających na gromadzenie danych

procesowych i zaawansowanej analityki tych danych.

Kolejnym, uwzględnionym przeze mnie założeniem jest fakt, że nieodłącznym składni-

kiem każdego procesu jest niepewność a miarą niepewności jest prawdopodobieństwo. Każda

rzeczywistość produkcyjna obciążona jest czynnikiem niepewności. Wiedza z uwzględnie-

niem czynnika niepewności jest w inżynierii wiedzy określana mianem wiedzy z dokładno-

ścią do rozkładu prawdopodobieństwa - „wszystko co wiemy, wiemy z dokładnością do roz-

kładu prawdopodobieństwa”[Marciniak 2005].

Prezentowane publikacje naukowe mają swoje źródło w problemach generowanych przez

rzeczywiste systemy i procesy i stanowią zapis wyników moich badań nad rozwiązywaniem

zidentyfikowanych problemów(Rys. 2). Na rozwiązywanie tych problemów pozwala wiedza

pochodząca zarówno z obszaru teorii jak i dziedzin empirycznych.

Badania

źró

dła

dan

ych

Rozwiązywanie problemów

Zasoby wiedzy teoretycznej

Zasoby wiedzy z dziedzin

empirycznychDane z

eksperymentu

Eksperyment

Nowe dyscypliny naukowe i metodologie‐ Inżynieria wiedzy (knowledge engineering) ‐ Inżynieria danych (data engineering)

Niepewnośd -prawdopodobieostwo

jako miara niepewności

Procesy produkcji oparte na wiedzy i informacji - gromadzenie i analityka danych jako procedury wbudowane w proces, który je generuje

Sprzężenie procesów fizycznych z procesami mentalnymi, modelami pojęciowymi i rozumowaniem oraz z procesami obliczeniowymi na modelach procesów

(obliczeniowe reprezentacje procesów)

Dane generowane przez rzeczywiste systemy i procesy

Epistemiczna Stochastyczna

Stochastyczna

Wiedza

Rysunek 2. Źródła danych, problemy badawcze, metody ich analizy i interpretacji

Moje badania wspomagane są przez nowe dyscypliny naukowe i metodologie, takie jak

inżynieria wiedzy i inżynieria danych. W każdym procesie tkwi czynnik niepewności, którego

miarą jest prawdopodobieństwo. W procesy należy wbudowywać procedury gromadzenia


10 z 38

i analizowania danych jako integralne części każdego procesu. Wynikiem tych działań po-

winna być obliczeniowa reprezentacja procesów uwzględniająca sprzężenie procesów fizycz-

nych z procesami mentalnymi, modelami pojęciowymi i rozumowaniem wraz z procedurami

obliczeniowymi dokonywanymi na wygenerowanych modelach badanych procesów. Pozy-

skiwane dane procesowe mogą być jakościowe lub ilościowe (Rys. 3).

Rysunek 3. Wykorzystywanie danych procesowych

Dane procesowe w postaci ich symbolicznej reprezentacji powinny być gromadzone

w semantycznych bazach danych. Dane te można wykorzystać do tworzenia modeli za pomo-

cą algorytmów uczenia maszynowego i budowania sieci probabilistycznych w oparciu o rela-

cje jakościowe. Dzięki temu można przeprowadzać procesy inferencyjne poprzez predykcję

i diagnozowanie. Wynikiem tych działań jest możliwość wspomagania procesów zarządzania

w oparciu o wiedzę i informację w postaci modelu, który pozwala na zarządzanie racjonalne,

optymalne i uwzględniające czynnik niepewności.

Produktem inżynierskim inżynierii wiedzy jest produkt formalny i wykonywalny. Wiedza

obecnie nie może być już zapisywana w sposób nieformalny w postaci np. artykułów czy

książek. Wiedza musi mieć postać modelu a taki model to jest kod w jakimś formalnym języ-

ku, który jest wykonywalny w istniejącym systemie informatycznym. W przypadku napływu

nowych danych to na ich podstawie następuje uczenie modelu. Do budowy modeli zastosowa-

łem technologię sieci bayesowskich. Język sieci probabilistycznych (bayesowskich) jest wy-

starczająco ekspresywny do opisu badanych przez mnie problemów eksploatacji obiektów.

Technologia sieci bayesowskich dostarcza prostego mechanizmu aktualizacji apriorycz-

nych rozkładów prawdopodobieństwa w oparciu o nowo napływające dane procesowe. Rela-

cje jakościowe budują strukturę przyczynowo – skutkową procesów manifestujących się po-

Dane procesowe

‐ ilościowe ‐ jakościowe

Symboliczna, oparta na inżynierii wiedzy reprezentacja danych i ich gromadzenie

w semantycznych bazach danych

Modelowanie: ‐ algorytmy uczenia maszynowego ‐ sieci bayesowskie

Oparte o model procesy inferencyjne: ‐ predykcja ‐ diagnozowanie

Zastosowania

Zarządzanie procesami oparte o model - zarządzanie oparte na wiedzy i informacji z uwzględnieniem czynnika niepewności czyli:

‐ racjonalne , ‐ optymalne,


11 z 38

przez obserwowane dane. Model bayesowski to jest zbiór zmiennych i relacji między nimi

w postaci warunkowych rozkładów prawdopodobieństwa. Zmienne obciążone największą

niepewnością epistemiczną tj. gdy znamy tylko zakres ich zmienności, apriori przyjmuje się

że mają jednostajny rozkład prawdopodobieństwa. Napływające dane uaktualniają apriorycz-

ny rozkład prawdopodobieństwa do rozkładu aposteriorycznego o wariancji (zmienności)

malejącej w miarę napływu danych.

4.2.2. Cel naukowy badań przedstawionych do oceny

Cel naukowy prowadzonych przeze mnie prac wynika z systemowego widzenia złożo-

nych procesów produkcji wyrobów i usług. Badane przeze mnie procesy to procesy podej-

mowania decyzji oraz procesy zapewnienia bezpieczeństwa, jakości i niezawodności wyro-

bów i usług w odniesieniu do procesów eksploatacji maszyn i urządzeń technicznych oraz

procesów produkcji żywności. Procesy te obejmują wszystkie fazy istnienia obiektów po-

cząwszy od procesu tworzenia wirtualnej formy ich istnienia (dokumentacja projektowa) po-

przez proces produkcji, użytkowania, utrzymywania do recyklingu. Procesy te i subprocesy-

oraz koprocesy z nimi związane wyznaczają dziedzinę przedmiotowa moich badań. I tak pro-

cesy użytkowania obiektów technicznych są koprocesami procesów produkcji żywności

i bezpieczeństwo, procesy zapewnienia jakości i bezpieczeństwa produktów są ich subproce-

sami.

Jak już wcześniej wspomniałem bazą metodologiczną jest tu inżynieria systemów, inży-

nieria danych i inżynieria wiedzy [Klir (red) 1976]. Systemowe postrzeganie złożoności jest

jej procesową konceptualizacją, w której wiedza i informacja jest reprezentowana jako kom-

pleks pojęć i relacji międzypojęciowych mających postać formalnych i wykonywalnych sys-

temów symbolicznych, czyli języków. Innymi słowy wiedza i informacja dotycząca określo-

nej dziedziny przedmiotowej jest jej symboliczną reprezentacją, którą można uruchomić jako

proces obliczeniowy. Wówczas procesy fizyczne, będące naturalnym sposobem istnienia rze-

czywistości fizycznej (procesowe widzenie świata),mogą zaistnieć jako sprzężony z nimi

zbiór procesów obliczeniowych będących semantycznie i pragmatycznie poprawną interpre-

tacją symbolicznych struktur kodujących procesy fizyczne.

Równocześnie z odwzorowywaniem procesów fizycznych w procesy obliczeniowe mamy

do czynienia z analogicznym odwzorowaniem procesów fizycznych w procesy mentalne

podmiotu działania (człowiek), które w istocie też są procesami obliczeniowymi, których no-

śnikiem nie jest formalny i wykonywalny język lecz kompleks chemiczno- elektrycznych

oddziaływań w strukturach mózgu.

Formalna i wykonywalna, symboliczna reprezentacja wiedzy i informacji dotyczącej rze-

czywistości fizycznej jest w moich pracach treścią pojęcia modelu fizycznej dziedziny

przedmiotowej. Istotną rolę w moich badaniach, oprócz prac konceptualizacyjnych, odgrywa

zagadnienie modelowania procesów w różnych ich aspektach: celowościowym, metodolo-

gicznym i utylitarnym.

W ostatnich kilkunastu latach rozwinięte zostały efektywne metody wydobywania z da-

nych informacji i wiedzy takie jak data mining, proces mining i knowledge discovery. Metody

te zastosowałem w początkowych moich badaniach do budowy modeli przyczynowo – skut-

kowych należących do kategorii noszącej nazwę systemy ekspertowe. Istotą tych systemów

było implementowanie heurystycznych reguł rozumowania predykcyjnego oraz diagnostycz-

nego. Wiedza w systemach ekspertowych miała formę reguł. Traktowanie niepewności miało

nieformalny charakter i polegało na przypisywaniu konkluzjom reguł stopnia niepewności,

którego wartość była przeważnie obliczana jako iloczyn niepewności przesłanek i niepewno-

ści samej reguły.


12 z 38

Systemy ekspertowe zostały w późniejszych latach zastąpione modelami, w których miarą

niepewności jest warunkowe prawdopodobieństwo. Wykorzystałem tu zaawansowaną obec-

nie i dobrze oprogramowaną technologię sieci bayesowskich.

4.2.3. Omówienie rezultatów przedstawionych w publikacjach wskazanych jako

osiągnięcie naukowe

Systemy doradcze w zakresie eksploatacji maszyn

Eksploatacja obiektów technicznych w obszarze przemysłu rolno - spożywczego wymaga

uwzględniania dużej zmienności parametrów produktów żywnościowych poddanych proce-

som ich pozyskiwania, przetwarzania, magazynowania czy dystrybucji oraz wysokim wyma-

ganiom higienicznym stawianym zarówno procesom jak i produktom finalnym. Produkty bę-

dące obiektem oddziaływania elementów eksploatowanych maszyn stawiają ponadto bardzo

wysokie wymagania dotyczące trwałości i niezawodności tych elementów. W większości

przypadków czas trwania procesu jest zdeterminowany przez okres trwałości danego produk-

tu spożywczego. Użytkownik jest zazwyczaj zmuszony do podejmowania decyzji eksploata-

cyjnych w jak najkrótszym czasie.

Eksploatowany obiekt składa się z różnego rodzaju zespołów, z których każdy może być

w rozważaniach modelowych traktowany jako odrębny komponent. Dopasowanie eksploata-

cji do konkretnych warunków i potrzeb (z uwzględnieniem ograniczeń nałożonych przez pro-

ducenta) wymaga zastosowania strategii eksploatacji opartej o model [Bubnicki 1990, Mu-

lawka 1996, Brown i in. 1998].

Osiągnięcie tego wymaga opracowania systemu reprezentacji wiedzy o stanie obiektu

(w tym wiedzy niezawodnościowej) związanej z przewidywaniem zachowania się obiektu

technicznego. Taki system reprezentacji wiedzy ma umożliwiać adaptację, uaktualnianie

i modyfikację podstawowych parametrów modelu przez użytkownika rozumującego w kate-

goriach przedmiotowych, tj. w kategorii konkretnych obiektów technicznych, ich struktury

i konkretnych zachowań w czasie eksploatacji. Wymaga to gromadzenia danych z historii

eksploatacyjnej i wbudowania odpowiednich sprzężeń informacyjnych ukierunkowanych na

pobieranie informacji umożliwiających ilościową ocenę procesów utrzymania. Konieczne jest

wówczas odpowiednie sformalizowanie i implementacja wiedzy eksploatacyjnej w infrastruk-

turze informatycznej przedsiębiorstwa [Bartnik, Kusz, Marciniak (c) 2001].

Do informacyjnego wspomagania użytkownika w sytuacjach awaryjnych wykorzystać

można systemy ekspertowe. Systemy ekspertowe w zakresie eksploatacji maszyn powinny

uwzględniać potrzebę sytuacyjnego sterowania działalnością eksploatacyjną [Ross 2003, Nie-

derliński 2014]. Nie wystarczy do tego wiedza typowa dla statystycznej maszyny ale niezbęd-

na jest tu również wiedza specyficzna. Wiedza typowa jest określona przez zadania eksplo-

atacyjne narzucone przez producenta. Zadania te, ich zakres i termin wykonania są z góry

określone i podawane w dokumentacji dostarczonej wraz z urządzeniem. Wiedza specyficzna

powstaje w trakcie eksploatacji i jest kumulowana w postaci historii eksploatacji konkretnej

maszyny, użytkowanej w ściśle określonych warunkach i przez konkretnego użytkownika. Na

szczególną uwagę zasługują usługi informacyjne dotyczące zagadnień związanych z plano-

waniem zabiegów obsługowych oraz usuwaniem uszkodzeń awaryjnych.

Należy przeprowadzić identyfikację współzależności procesu utrzymania jako procesu

komplementarnego z procesem wytwarzania. Wprowadzanie podejścia procesowego wymaga

precyzyjnego określenia wzajemnego oddziaływania pomiędzy wyróżnionymi procesami.

Coraz szersze wprowadzanie zarządzania jakością w zakładach przemysłu rolno - spo-

żywczego pociąga za sobą potrzebę specyfikowania i dokumentowania przebiegu procesu

eksploatacji. Obowiązuje zasada „Rób wszystko zgodnie z dokumentacją i dokumentuj to co

robisz” [Jensen 1996]. System ekspertowy musi uwzględnić również taka potrzebę użytkow-

nika.


13 z 38

Reguły wnioskowania opracowanego systemu oparte były na zaobserwowanych w prak-

tyce przykładach oraz opiniach ekspertów. Niepewność wnioskowania reprezentowana była

w postaci multiplikatywnej miary niepewności konkluzji zastosowanych reguł w zależności

od miary niepewności symptomów diagnostycznych oraz miary niepewności tych reguł.

Przyjęte miary niepewności były liczbami z przedziału (0, 1), których wartość ustalałem

wraz z ekspertami w dziedzinie eksploatacji wybranej linii technologicznej.

W publikacji A przedstawiony został sposób reprezentacji wiedzy dla ekspertowych sys-

temów doradczych w stosunku do których można sformułować następujące wymagania:

interaktywny, dedykowany, dialogowy system informacyjny o wyraźnym charakterze

doradczym,

wspomaga informacyjnie rozwiązywanie typowych problemów eksploatacyjnych w wy-

branej gałęzi przemysłu rolno – spożywczego,

umożliwia zbieranie, przechowywanie i uaktywnianie informacji wykorzystywanych

przez użytkownika.

W trakcie eksploatacji obserwuje się dwa zasadnicze rodzaje sytuacji problemowych

a mianowicie działania awaryjne i działania profilaktyczne. Rozwiązanie tych sytuacji pro-

blemowych można sprowadzić do dwóch zasadniczych scenariuszy korzystania z systemu

przez użytkownika [Kusz, Marciniak 1995]:

użytkownik zna swoje potrzeby informacyjne, wie jaki rodzaj działania należy podjąć, ale

potrzebuje mniej lub bardziej szczegółowych instrukcji określających miejsce działania,

warunki w jakich dane działanie można lub należy wykonać,

użytkownik wymaga wspomagania w identyfikacji swoich potrzeb, zna sytuację eksplo-

atacyjną, ale nie wie jakie informacje są mu potrzebne, jakie działanie jest w danej chwili

stosowne, możliwe, pożądane, konieczne, optymalne.

Praktyka eksploatacyjna pozwala wyodrębnić takie rodzaje potrzeb informacyjnych użyt-

kownika jak:

rozpoznanie i sposób usunięcia przyczyn nieprawidłowego funkcjonowania urządzenia,

instrukcje wykonania określonej operacji,

wybór najkorzystniejszego wariantu działania,

przypominanie o zbliżaniu się terminów wykonania obligatoryjnych lub zalecanych za-

biegów obsługowych [A].

Do informacyjnego wspomagania użytkownika w sytuacjach awaryjnych zaproponowa-

łem hybrydowy system ekspertowy. System ten łączy kooperujące ze sobą dwa systemy re-

prezentacji wiedzy - reprezentację opartą o reguły (Rule Based System - RBS) w odniesieniu

do wiedzy ogólnej oraz reprezentację wiedzy opartą o przypadki (Case Based Reasoning -

CBR) dla wiedzy specyficznej, zindywidualizowanej. Wiedza specyficzne oparta jest na ob-

serwacjach i gromadzeniu historii eksploatacyjnej. Działanie takiego systemu zostało zilu-

strowane na przykładzie regulacji ciśnienia homogenizacji w linii technologicznej w zakła-

dzie mleczarskim w Lublinie.

Problemem, który był rozpatrywany podczas moich prac było zagadnienie wspomagania

procesów decyzyjnych w czasie eksploatacji obiektów technicznych. Eksploatowany obiekt

techniczny może przebywać w stanie normalnym lub awaryjnym. Stany te rozpatruje się jako

grupowe własności układu: obiekt techniczny – otoczenie obiektu technicznego. W stanie

awaryjnym, w przypadku braku działań korekcyjnych, stan obiektu technicznego samorzutnie

ewoluuje do jednego lub kilku atraktorów. Można rozróżnić zatem dwa rodzaje sytuacji decy-

zyjnych: użytkownik stoi przed wyborem: przerywać produkcję czy też ją kontynuować z nie

w pełni sprawnym urządzeniem, użytkownik podejmuje działania mające na celu zatrzymanie

propagacji sytuacji awaryjnej [Bartnik, Kusz, Marciniak 2000]. Decydującym czynnikiem są

koszty poniesione w związku ze stratami surowca nieprzerobionego (w tym pozostałego w


14 z 38

instalacji często już nie do odzyskania) lub koszty naprawy lub wymiany coraz większej ilości

podzespołów w coraz większym zakresie.

Do budowy systemu ekspertowego wspomagającego użytkownika w sytuacjach awaryj-

nych zastosowano technologię sieci bayesowskich rozszerzonych o węzły decyzyjne. Szcze-

gólnym przypadkiem sieci probabilistycznych są diagramy oddziaływań [Oliver, Smith 1988],

czyli sieci w które wkomponowano węzły reprezentujące decyzje oraz użyteczności. Diagra-

my te sprawdziły się jako narzędzia umożliwiającym formułowanie, wartościowanie oraz

analizę problemów decyzyjnych. Sytuacja problemowa w diagramach oddziaływań jest mo-

delowana w formie acyklicznego grafu zawierającego węzły reprezentujące zmienne losowe

(stany natury), decyzje oraz użyteczności.

Diagramy oddziaływań są narzędziami umożliwiającymi formułowanie, wartościowanie

oraz analizę problemów decyzyjnych. Mogą być zdefiniowane jako graficzna reprezentacja

oddziaływań pomiędzy decyzjami i niepewnością występującą w problemach decyzyjnych.

Siła oddziaływań jest konceptualizowana jako prawdopodobieństwo [Bartnik, Kusz, Marci-

nak 2000].

Prezentowany system pozwala na symulacyjny eksperyment w trakcie wykonywania dzia-

łań naprawczych np. według procedury awaryjnej. Istnieje zatem możliwość adaptacyjnego

wyboru repertuaru działań co pozwala na podjęcie decyzji po uprzednim wykonaniu ekspe-

rymentu symulacyjnego. Użytkownik uzyskuje informację o wariancie z najkorzystniejszym

rozkładem prawdopodobieństwa a po wykonaniu działania system może być aktualizowany.

Grafy pojęciowe i sieci probabilistyczne jako systemy reprezentacji wiedzy

Formalna reprezentacja wiedzy pozwala na zautomatyzowanie konstruowania procedur

informacyjnego wspomagania użytkownika. Umożliwia ona urzeczywistnienie koncepcji

eksploatacji opartej o model eksploatowanego obiektu technicznego. Wykorzystanie możli-

wości wynikających z zastosowania grafów pojęciowych do formalnej reprezentacji wiedzy

eksploatacyjnej stwarza nową jakość w konceptualizacji problematyki eksploatacji maszyn

w kategoriach niezawodności, przewidywalności i bezpieczeństwa.

Grafy pojęciowe, są jednym ze standardowych języków formalnej reprezentacji wiedzy.

Grafy pojęciowe budowane są z dwóch rodzajów węzłów: węzłów reprezentujących pojęcia

i węzłów reprezentujących relacje między pojęciami (grafy dwudzielne). Za pomocą grafu

pojęciowego można zapisać wiedzę eksperta przekazywaną przez niego w języku naturalnym

w formie przekazu słownego lub pisemnego [Sowa 2000, Huahai, Singh 2008].

Grafy pojęciowe oprócz formy graficznej mają równoważną formę znakową liniową (LF)

oraz symboliczną (CGIF). Forma graficzna jest wykorzystywana do przekazywania wiedzy

pomiędzy człowiekiem i maszyną, z kolei forma symboliczna służy do komunikowania się

systemów komputerowych pomiędzy sobą. Wiedza o eksploatowanym obiekcie technicznym,

którą posiada ekspert lub jest zapisana w dokumentacji technicznej lub też wynika z zapisów

historii eksploatacji, umieszczona w systemie komputerowym, musi być zapisana w postaci

odpowiedniego systemu formalnego. Formalna reprezentacja wiedzy umożliwia jej przeka-

zywanie nie tylko pomiędzy systemem a człowiekiem ale również pomiędzy programami

komputerowymi.

Zapis informacji o strukturze i funkcji w języku grafów pojęciowych jest bardzo zbliżony

do języka naturalnego a jednocześnie jest wystarczająco ścisły aby możliwe było automatycz-

ne tłumaczenie na inne reprezentacje formalne, np. notację algebraiczną czy rachunek predy-

katów. Równoważność języka grafów pojęciowych z językiem predykatów pierwszego rzędu

pozwala na automatyczną translację bazy wiedzy zapisanej grafami pojęciowymi w bazę wie-

dzy zapisaną w języku Prolog. Umożliwia to testowanie niesprzeczności i kompletności takiej

bazy już na etapie jej projektowania. Język grafów pojęciowych może być zastosowany jako

formalny język reprezentacji wiedzy w systemach komputerowych. Równoważność tego ję-


15 z 38

zyka z językiem predykatów pierwszego rzędu oznacza możliwość automatycznego tłuma-

czenia na inne języki formalne [Bartnik, Kusz, Marciniak (a) 2001].

Budowanie tego typu modeli wymaga opracowania ontologii dziedziny oraz metod roz-

wiązywania problemów. Ontologia jest tu rozumiana jako formalna specyfikacja konceptuali-

zacji, czyli formalna reprezentacja wszystkich istotnych pojęć i relacji, za pomocą których

specjaliści w danej dziedzinie rozumują i porozumiewają się.

Graf pojęciowy reprezentujący strukturę obiektu będzie zawierał tyle węzłów reprezentu-

jących pojęcia ile komponentów strukturalnych wyróżnimy na wszystkich poziomach dekom-

pozycji obiektu. Podstawowym elementem takiego grafu będzie para pojęć „część - całość”

i łącząca je relacja „być częścią”.

Do reprezentacji wiedzy o strukturze funkcjonalnej obiektu używane są pojęcia określają-

ce funkcje. W przyjętej hierarchii pojęć wyróżnia się funkcje procesowe, konstrukcyjne

i uboczne. Podstawowy element grafu budowany jest z węzła reprezentującego pojęcie funk-

cji złożonej z dołączonymi do niego węzłami reprezentującymi funkcje proste składające się

na funkcje złożone. Będą to funkcje elementów, z których złożony jest komponent. Kompo-

nentowi przypisana jest funkcja złożona plus tzw. „efekty grupowe”. Funkcja układu jako

całości jest zawsze czymś więcej niż suma funkcji jej komponentów. Występują tu trzy rodza-

je relacji: być częścią, pełnić funkcję, mieć subfunkcję.

Wykorzystanie możliwości wynikających z zastosowania grafów pojęciowych i sieci pro-

babilistycznych do formalnej reprezentacji wiedzy eksploatacyjnej stwarza nową jakość

w konceptualizacji problematyki eksploatacji maszyn w kategoriach przewidywalności i bez-

pieczeństwa.

Eksploatacja obiektów technicznych oparta na modelu zakłada, że obok fizycznej maszy-

ny istnieje jej wirtualna reprezentacja w systemie komputerowym. System reprezentacji wie-

dzy o stanie obiektu może służyć do informacyjnego wspomagania decyzji eksploatacyjnych.

Formalna reprezentacja wiedzy o strukturze i funkcji obiektu jest podstawą automatycz-

nego generowania zależnych od sytuacji i problemowo specyficznych modułów informacyj-

nego wspomagania użytkownika [Levene, Poulovassilis 1990, Bartnik, Kusz, Marciniak (d)

2001]. Moduły takie odpowiednio zaimplementowane mogą funkcjonować jako interaktywna

baza wiedzy wspomagająca informacyjnie użytkownika rozumującego w kategoriach kon-

kretnych obiektów technicznych, ich struktury i konkretnych zachowań w czasie eksploatacji.

Jedno z ważniejszych założeń metodycznych sformułowanych w p. 4.1 (definicja osią-

gnięcia naukowego) zakłada, że budowanie wiedzy i informacji procesowej w oparciu o dane

(jakościowe i ilościowe) jest wbudowane w modelowany proces fizyczny za pomocą algo-

rytmów uczenia maszynowego a użycie tej wiedzy i informacji odbywa się poprzez urucho-

mienie algorytmów inferencyjnych. Wymaga to umieszczania danych procesowych w seman-

tycznej bazie danych tak, ażeby algorytmy uczenia maszynowego i algorytmy inferencyjne

mogły działać automatycznie bez udziału człowieka.

Kolejny obszar moich prac obejmuje technologię grafowych baz danych. Nie są to jeszcze

semantyczne bazy danych w ścisłym tego słowa znaczeniu ale zawierają już metadane wyni-

kające z matematycznej teorii grafów oraz istniejących algorytmów grafowych. Wprowadzam

problem reprezentacji wiedzy niezawodnościowej jako elementu systemu wspomagania pro-

cesów decyzyjnych w eksploatacji obiektów technicznych. Wiedza niezawodnościowa na

etapie eksploatacji obiektów technicznych związana jest z przewidywaniem zachowania się

obiektu technicznego. Jak wyżej wspomniałem proces budowania formalnej ontologii wyma-

ga określenia zbioru pojęć, w oparciu o które odbywa się rozumowanie oraz znalezieniu sto-

sownego modelu rozumowania. Występuje tu pojęcie „zarządzania wiedzą” (Knowledge Ma-

nagement) i związane jest z akwizycją wiedzy a następnie jej strukturalizacją, reprezentacją

i dystrybucją.


16 z 38

System reprezentacji wiedzy musi umożliwiać automatyzację wnioskowania diagnostycz-

nego. Podstawowym mechanizmem wnioskowania diagnostycznego jest, w przypadku czło-

wieka, rozumowanie hipotetyczno – dedukcyjne. W prezentowanym przykładzie zastosowane

zostały grafy pojęciowe reprezentujące wiedzę diagnostyczną. Zawierają one węzły reprezen-

tujące następujące pojęcia: stan, objaw, hipoteza, zdarzenie inicjujące.

Wiedza niezawodnościowa reprezentowana w modelu obiektu rozpatrywana jest w aspek-

cie pragmatycznym. Istotny jest ten obszar wiedzy, który może być wykorzystany do oceny

przewidywalności. Formalna reprezentacja wiedzy niezawodnościowej pozwala na zautoma-

tyzowanie konstruowania procedur informacyjnego wspomagania użytkownika. Wykorzysta-

nie możliwości wynikających z zastosowania grafów pojęciowych do formalnej reprezentacji

wiedzy eksploatacyjnej stwarza nową jakość w konceptualizacji problematyki eksploatacji

maszyn w kategoriach niezawodności, przewidywalności i bezpieczeństwa [Bartnik G., Kusz

A., Marciniak A. W. (e) 2001].

Zastosowanie grafów pojęciowych jako języka formalnej reprezentacji pojęć i mechani-

zmu wnioskowania diagnostycznego przedstawiłem na przykładzie głowicy homogenizującej

w homogenizatorze ciśnieniowym do mleka i śmietany. Taki sposób formalnej reprezentacji

wiedzy pozwala na zautomatyzowanie procesu konstruowania problemowo specyficznych

modułów informacyjnego wspomagania użytkownika. Do formalnej reprezentacji wiedzy na

poziomie operacyjnym zaproponowany został również język sieci probabilistycznych, ponie-

waż umożliwia on adaptację i modyfikację zawartości systemu informacyjnego przez użyt-

kownika rozumującego w kategoriach przedmiotowych.

Zbudowany został przykładowy graf pojęciowy reprezentuje wiedzę diagnostyczną dla

objawu „głośna praca (stuki) w korpusie bloku pompy” i zawiera węzły dla następujących

pojęć: stan, objaw, hipoteza, zdarzenie inicjujące. Między tymi pojęciami występować będą

poniższe relacje:

między stanem a objawem relacja „objawia się jako”,

między dwoma stanami łańcucha przyczynowo - skutkowego występować będzie re-

lacja reprezentująca czynność przejścia między tymi stanami,

relacja między stanem a hipotezą jest relacją typu definicyjnego: „być definiowany ja-

ko”,

zdarzenie inicjujące jest pojęciem, które jest powiązane z jednym lub więcej stanami

początkowymi możliwych łańcuchów przyczynowo - skutkowych.

System doradczy wspomagający ocenę przewidywalności zachowań obiektu technicznego

dostarcza informacje odpowiadające konkretnemu zapotrzebowaniu (np. ocena szans wystą-

pienia określonych zagrożeń). W przypadku komunikacji system – użytkownik taka usługa

jest zwizualizowana i zwerbalizowana w sposób umożliwiający użytkownikowi zrozumienie

przekazywanej informacji i właściwe jej wykorzystanie [Bartnik G., Kusz A., Marciniak A.

W. (f) 2001].

Reprezentacja wiedzy w formie sieci probabilistycznych ma jedną istotną zaletę – pozwa-

la na adaptację, uaktualnianie i modyfikację formalnej reprezentacji wiedzy przez użytkowni-

ka rozumującego w kategoriach przedmiotowych, tj. w kategorii konkretnych obiektów tech-

nicznych, ich struktury i konkretnych ich zachowań w czasie eksploatacji. Jest to możliwe na

poziomie interfejsu użytkownika, ponieważ w przypadku sieci probabilistycznych system jest

reprezentowany w formie graficznej (wizualnie). Inną, nie mniej istotną, zaletą sieci probabi-

listycznych jest ich operacjonalizowalność, w tym sensie, że przy odpowiedniej implementa-

cji mogą funkcjonować jako interaktywna baza wiedzy. Istotnym wyróżnikiem tego systemu

jest specyficzny sposób rozumienia pojęcia „wiedzieć”. Wiedza jest w tym przypadku rozmy-

ta i niepewna i ta niepewność jest tu reprezentowana w postaci prawdopodobieństw bayesow-

skich (prawdopodobieństwo jest miarą niepewności obserwatora co do stanu obserwowanego

obiektu) [Gabski, Jadźwiński 2001, Mahadevan, Zhang, Smith, 2001, Bolstad 2004].


17 z 38

Jak już wspominałem język sieci probabilistycznych należy do kategorii formalnych języ-

ków graficznych, tzn. zdania w tym języku mają postać grafów. Podstawowa kategoria sieci

probabilistycznych jest budowana z węzłów reprezentujących zmienne losowe oraz skierowa-

nych łuków reprezentujących mniej lub bardziej silne rodzaje powiązań.

Wiedza konceptualizowana w formie zmiennych i ich wartości jest rozmyta nad zbiorem

tych wartości. Wartościom tych zmiennych są przypisane określone stopnie pewności charak-

teryzujące aspekt jakościowy. Zmienne są tak wyodrębnione ażeby reprezentowały różne

aspekty świata rzeczywistego. Powiązania pomiędzy zmiennymi reprezentują związki przy-

czynowo-skutkowe. Węzły grafu reprezentujące zmienne tworzą spójną sieć bez cykli.

Zaburzenia funkcjonowania eksploatowanego obiektu traktujemy jako zdarzenia przypad-

kowe, w związku z tym zmienne reprezentowane w sieci probabilistycznej traktujemy jako

funkcje tych zdarzeń przypadkowych. Oznacza to, że węzły sieci probabilistycznej reprezen-

tują rozkłady tych zmiennych (etykieta węzła reprezentuje nazwę zmiennej) a wartości jakie

one mogą przyjmować mogą być typu: logicznego (tak, nie), mogą być etykietami (zmienny-

mi lingwistycznymi), liczbami naturalnymi lub zmiennymi przedziałowymi. Z każdą zmienną

związana jest niepewność określona przez rozkład prawdopodobieństwa. W stanach wysokie-

go ryzyka kontynuacji produkcji rozróżnić można dwie kategorie sytuacji awaryjnych: straty

związane z sytuacją awaryjną uzależnione są przede wszystkim od strat surowca, oraz gdy

straty związane są z kosztami naprawy [Bartnik, Kusz, Marciniak, 2000].

Po skonstruowaniu sieci szczególnie ważne jest przypisanie zmiennym apriorycznych

rozkładów prawdopodobieństwa. Reprezentują one nasz poziom wiedzy o stanie konkretnego

obiektu eksploatowanego w konkretnych warunkach. Sieć probabilistyczna reprezentuje

szczególny stan wiedzy osoby która dany model stworzyła. Model ten jest oczywiście ade-

kwatny na tyle, na ile adekwatna jest wiedza o rzeczywistym obiekcie. Przypisanie prawdo-

podobieństw apriorycznych jest problemem, w którym jest najwięcej subiektywizmu.

Praktyczne wykorzystanie takiego systemu wymaga nie tylko kompletnej reprezentacji

związków przyczynowo-skutkowych w formie sieci ale również utrzymywanie bazy faktów

(bazy przypadków) z historii eksploatacyjnej obiektu [Bartnik i in. 2001].

W publikacji B przedstawiłem metodę modelowania ryzyka dla potrzeb wyszukiwania

krytycznych punktów kontroli (CCP) dla systemu HACCP (Hazard Analysis and Critical

Control Points). Został pokazany sposób przejścia od nieformalnej konceptualizacji problemu

zagrożeń i ryzyka w łańcuchu produkcji i dystrybucji żywności do jej implementacji w formie

sieci bayesowskiej, w zakresie umożliwiającym wyznaczanie CCP. Z metodologicznego

punktu widzenia takie przejście to wykonanie tłumaczenia pewnego zbioru zdań opisujących,

w języku naturalnym, metodę wyznaczania krytycznych punktów kontroli, na zbiór zdań za-

pisanych w formalnym i wykonywalny języku sieci bayesowskich. Taki formalny i wykony-

walny opis jest modelem komputerowym rozpatrywanego zagadnienia, czyli inaczej mówiąc

– jest wykonywalnym kodem, którego środowiskiem wykonania jest komputer [Marciniak A.

2005].

Wszystkie firmy zajmujące się produkcją i obrotem żywnością są zobowiązane do wdro-

żenia i utrzymywania systemu HACCP. Jego istota opiera się na analizie i zapobieganiu po-

wstawania zagrożeń mikrobiologicznych, technologicznych, chemicznych i/lub fizycznych,

ich eliminacji, redukcji, lub zapobieganiu intensyfikacji tak, aby nie dopuścić do skażenia

produktu. HACCP ma służyć do minimalizowania ryzyka zagrożeń, jest więc systemem pre-

wencyjnym. Identyfikacja zagrożeń, jakie powstają na kolejnych etapach produkcji, musi za-

stać przeprowadzona przez każde przedsiębiorstwo we własnym zakresie. Zidentyfikowane

zagrożenia mogą stanowić tak zwane punkty kontroli CP lub krytyczne punkty kontroli CCP.

Jednym ze sposobów określania czy dany etap można zakwalifikować jako CCP, jest

przeprowadzanie analizy ryzyka, gdzie należy odpowiedzieć na trzy podstawowe pytania:

1. Co może przebiec nieprawidłowo?


18 z 38

2. Jakie jest prawdopodobieństwo, że to się zdarzy?

3. Jakie są tego konsekwencje?

Pierwszym krokiem w konstruowaniu sieci bayesowskiej jest wyodrębnienie w modelo-

wanej dziedzinie fundamentalnych pojęć i relacji między nimi. W rozpatrywanym przykładzie

są to:

1. Pojęcie zagrożenia rozumianego jako zdarzenie powodujące zaistnienie stanu zagro-

żenia, tzn. sytuacji, w której produkt spożywczy zawiera szkodliwy czynnik biolo-

giczny, chemiczny lub fizyczny w niebezpiecznej ilości.

2. Pojęcie zdarzenia inicjującego stan zagrożenia, np. uszkodzenie opakowań; w przy-

padku gdy zdarzenie to nie jest bezpośrednio obserwowalne należy znaleźć wielkość

lub jakość wskazującą na możliwość wystąpienia takiego zdarzenia.

3. Pojęcie zdarzenia kontrolnego, rozumianego jako działanie prewencyjne, redukujące

w sposób istotny możliwość zaistnienia stanu zagrożenia w przypadku zaistnienia zda-

rzenia wyzwalającego to zagrożenie (inhibitor, powstrzymywacz).

4. Pojęcie bezpośrednich skutków zagrożenia, np. sprzedanie klientowi skażonego pro-

duktu.

5. Pojęcie działania łagodzącego lub eliminującego skutki zagrożenia.

Relacje wiążące te pięć głównych pojęć są pojęciami związków przyczynowo-

skutkowych, np. inicjuje, wyzwala, zapobiega, powstrzymuje, skutkuje, łagodzi itp.

Wyodrębnione tu pojęcia i relacje międzypojęciowe konstytuują elementarny model poję-

ciowy ryzyka a odpowiadająca mu sieć bayesowska składa się z pięciu węzłów połączonych

zgodnie z wyodrębnionymi relacjami przyczynowo-skutkowymi (Rys. 4).

Rysunek 4. Elementarny model ryzyka

Strukturę z Rys. 5 należy potraktować jako schemat, który po odpowiednich modyfika-

cjach można zastosować do każdego zidentyfikowanego i zlokalizowanego zagrożenia. Mo-

dyfikacje te wynikają z faktu, że każdy z węzłów sieci można rozwinąć w bardziej szczegó-

łową sieć, np. działań prewencyjnych może być kilka wykonywanych sekwencyjnie lub jed-

nocześnie a efektywność prewencji można przedstawić jako funkcję skuteczności tych dzia-

łań. Prezentowany przykład dotyczy niewielkiego sklepu spożywczego, gdzie CCP został

zidentyfikowany na dwóch etapach: „przechowywanie produktów w chłodziarkach” oraz

„przechowywanie produktów w zamrażarkach”.


19 z 38

a)

b)

Rysunek 5. Model ryzyka na etapie przyjęcia produktów, a) topologia sieci, b) warunkowe

rozkłady prawdopodobieństwa nad poszczególnymi węzłami w odpowiedzi na fakt, że zasady

GMP są stosowane na rutynowym poziomie

Na prezentowanym przykładzie pokazano, że zasada metodyczna, w myśl której budowa

modelu określonej dziedziny przedmiotowej w określonym jej zakresie i o wymaganych ce-

chach funkcjonalnych, to translacja nieformalnej, wykonanej w języku naturalnym specyfika-

cji implementowanej wiedzy do postaci obliczalnego kodu zapisanego w języku sieci bay-

esowskich, funkcjonuje i jest w miarę efektywna. Ażeby tak budowane modele miały charak-

ter produktów inżynierskich (powtarzalność, przewidywalność), należy proces budowy mode-

li oprzyrządować w odpowiednie, specyficzne dla modelowanej dziedziny repozytorium for-


20 z 38

malnych specyfikacji jej konceptualizacji (ontologii) oraz repozytorium interpretowalnych w

tych ontologiach modułów sieci bayesowskich.

W publikacji C przedstawiony został problem oceny doboru sieci neuronowej do okre-

ślania występowania i wyznaczania zakresu quasiplateau w woltamperometrycznych pomia-

rach natleniania gleby. Wartość natlenienia gleby jest określana m.in. w oparciu o pomiarowo

dostępne krzywe woltamperometryczne I(U), a konkretnie o występowanie i zakres plateau na

tych krzywych. Celem było zaprojektowanie sieci neuronowej, która w sposób automatyczny

identyfikowałaby te krzywe I(U), które są interpretowalne w kategoriach natlenienia gleby,

tzn. występuje na nich plateau oraz, w przypadku występowania, określała granice napięć,

przy których to plateau występuje. W ten sposób elektrochemiczny układ pomiarowy zostanie

wzbogacony o „inteligentny” moduł umożliwiający dalsze, obiektywne obliczenia.

W pomiarach laboratoryjnych a szczególnie polowych podczas analizy otrzymanych

w pomiarach krzywych woltamperometrycznych bardzo często trudno jest ocenić jedno-

znacznie, czy quasiplateau wystąpiło czy nie wystąpiło. W takim przypadku nawet duże do-

świadczenie osoby wykonującej pomiary i oceniającej krzywe nie daje gwarancji prawidłowej

oceny. Podobnie jest z określeniem wartości parametrów prądu, dla której wystąpiło quasipla-

teau, czyli podanie wartości napięcia początku i końca quasiplateau. Prowadzi to do czasami

drastycznego zwiększenia niepewności pomiaru, ponieważ ta sama krzywa woltamperome-

tryczna może być zupełnie różnie zinterpretowana przez różne osoby. Zdarza się również, że

ta sama osoba po pewnym czasie inaczej interpretuje daną krzywą woltamperometryczną.

Zobiektywizowana odpowiedź na pytania:

czy na danej krzywej woltamperometrycznej występuje obszar quasiplateau?

jeśli tak, to jakie są wartości napięcia początku i końca tego obszaru?

pozwoliłaby na prowadzenie bardziej wiarygodnych pomiarów i zmniejszenie niepewności.

Potrzebna jest ocena możliwości wykorzystania sieci neuronowych jako algorytmów uczo-

nych na przykładach i produkujących odpowiedzi na wyżej postawione pytania. Do rozpo-

znawania występowania plateau zastosowano sieć neuronową PNN (Probabilistic Neural Ne-

twork). Sieć taka ma trzy warstwy. Na warstwę wejściową podawany był rozpoznawany ob-

raz – krzywa waltampermetryczna. Liczba neuronów w warstwie ukrytej jest równa liczbie

punktów rozpoznawanej krzywej. W warstwie wyjściowej jest tyle neuronów, na ile kategorii

klasyfikowane są obrazy pokazywane na wejściu sieci – w tym przypadku są to dwie katego-

rie: jest plateau, brak plateau.

Celem rozpoznawania jest określenie początku i końca plateau, przy czym dla każdego

pomiaru początek i koniec plateau jest losowy. W tym celu, podobnie jak przy rozpoznawaniu

występowania plateau, może być użyta sieć PNN. Zastosowana architektura sieci PNN jest

uzasadniona tym, że stopień natlenienia gleby jest wielkością zależną od czynników losowych

i należy znać nie tylko jej wartość, ale i poziom ufności (prawdopodobieństwa błędnych kla-

syfikacji). Użycie sieci PNN jako składnika inteligentnych sensorów, umożliwia bardzo szyb-

ką ich adaptację do konkretnych warunków pomiarowych. Biorąc pod uwagę wymagany

w doświadczeniu poziom dokładności w odniesieniu do oceny początku i końca obszaru qu-

asiplateau otrzymane wyniki można uznać za zadowalające. Niepewność wyniku klasyfikacji

występowania lub niewystępowania quasiplateau przy wskazaniu za pomocą sieci neuronowej

jest na podobnym poziomie jak niepewność określona subiektywnie przez obserwatora. Bio-

rąc pod uwagę niepewność wynikającą z rozpoznawania granic quasiplateau przez różnych

i niezależnych od siebie ekspertów, wyniki otrzymane w wyniku zastosowania sieci zostały

uznane za dostatecznie zadowalające.

W publikacji D zaproponowany został model operacyjno – niezawodnościowy utworzo-

ny dla potrzeb analizy ryzyka przy produkcji wyrobu medycznego. Wymóg zarządzania ryzy-

kiem i przeprowadzania analizy ryzyka dla wyrobu medycznego występuje zarówno w nor-

mie ISO 13485 jak i dyrektywie MDD 93/42. Przedstawiona została metoda modelowania


21 z 38

ryzyka dla potrzeb przeprowadzania analizy ryzyka przy produkcji wyrobu medycznego ja-

kim jest kompozyt stomatologiczny.

Pojecie modelu operacyjno-niezawodnościowego wiąże się z traktowaniem modeli jako

sposobu reprezentacji wiedzy. W takim ujęciu model niezawodnościowy traktowany jest jako

produkt inżynierski, którego podstawowa forma zastosowania jest wbudowanie go w informa-

tyczna infrastrukturę systemu zarządzania procesami produkcji. Stąd wynikają określone wła-

sności funkcjonalne i scenariusze operacyjne wymagane od takiego modelu niezawodnościo-

wego. Zapewnienie tych wymagań rodzi potrzebę rozszerzenia aparatu pojęciowego klasycz-

nej inżynierii niezawodności o system pojęciowy inżynierii wiedzy i sztucznej inteligencji.

W tym kontekście pojecie niezawodności odnosimy nie tyle do maszyn i urządzeń ale do ca-

łych procesów produkcyjnych (niezawodność procesowa), sam problem niezawodności trak-

tujemy jako jeden z aspektów przewidywalności i powtarzalności procesów.

Zastosowanie inżynierii wiedzy w modelowaniu niezawodności skutkuje tym, że model

powstaje na drodze poprzez przejście od reprezentacji wiedzy wyrażonej w języku natural-

nym do postaci wyrażonej w języku formalnym i wykonywalnym. W tym procesie translacji

wiedzy istotna rolę odgrywają algorytmy uczenia maszynowego w oparciu o wcześniej zgro-

madzone fakty empiryczne.

W procesie produkcji wyrobów medycznych muszą być, w sposób świadomy i racjonalnie

uzasadniony, stosowane metody zarządzania ryzykiem. Model niezawodnościowy procesu

produkcji jest tu traktowany jako jeden z głównych elementów systemu zarządzania ryzy-

kiem.

Konceptualizacja niezawodności procesowej polegała w tym przypadku na wyspecyfiko-

waniu wymagań stawianych produktowi każdej operacji poprzez projekcję wstecz wymagań

stawianych produktowi końcowemu a następnie wyodrębnienie zdarzeń warunkujących speł-

nienie wymagań specyficznych dla danej operacji.

Zastosowano technologię sieci bayesowskich. Każdej z operacji przyporządkowane zosta-

ły węzły reprezentujące wystąpienie niekorzystnych zdarzeń lub niewystąpienie zdarzeń wy-

maganych oraz deterministycznego węzła zbiorczego reprezentującego łączny skutek tych

zdarzeń

Na rys. 6 pokazana została sieć bayesowska będąca modelem niezawodnościowym proce-

su produkcji kompozytu stomatologicznego.

Rozkłady prawdopodobieństwa zdarzeń reprezentowanych przez poszczególne węzły

określone zostały częściowo na podstawie oszacowań ekspertów a także w oparciu o dane

gromadzone w zakładowym systemie zarządzania.

Wyróżnia się dwa podstawowe rodzaje wnioskowania: wnioskowanie predykcyjne od

przyczyn do skutków („co by było gdyby”) oraz wnioskowanie wyjaśniające - od skutków do

przyczyn (rozumowanie diagnostyczne). Pytania są formułowane w ten sposób, że zadawane

są wartości węzłów traktowanych jako to, co jest wiadome i obliczane są rozkłady prawdopo-

dobieństwa odpowiadające węzłom reprezentującym to o co pytamy, czyli odpowiedzi uzy-

skiwane są z dokładnością do rozkładu prawdopodobieństwa. To co jest wiadome może być

traktowane jako pewne lub obarczone różnym stopniem niepewności a wówczas fakty takie

zadawane są również z dokładnością do rozkładu prawdopodobieństwa. Zadawane jest praw-

dopodobieństwo pomyślnego zakończenia poszczególnych operacji a następnie pada pytanie

o prawdopodobieństwo pomyślnego zakończenia procesu poprzez uzyskanie produktu koń-

cowego zgodnego z wymaganiami.


22 z 38

Rysunek 6. Sieć bayesowska jako model niezawodnościowy procesu produkcji kompozy-

tu stomatologicznego.

W publikacji E przedstawiony został przykładowy proces budowania modelu reprezen-

tacji wiedzy z wykorzystaniem sieci probabilistycznych. Zbudowany został model reprezen-

tacji wiedzy w formie sieci bayesowskich i zaprezentowany na przykładzie pompy nurniko-

wej w homogenizatorze ciśnieniowym

Taka reprezentacja pozwala na adaptację, uaktualnianie i modyfikację formalnej repre-

zentacji wiedzy przez użytkownika rozumującego w kategoriach przedmiotowych, tj. w kate-

gorii konkretnych obiektów technicznych, ich struktury i konkretnych ich zachowań w czasie

eksploatacji. Operacyjny aspekt wykorzystania sieci probabilistycznych oznacza tyle co moż-

liwość obserwowania jak zmienia się rozkład niepewności nad pewnymi elementami (zmien-

nymi) w zależności od informacji jakie posiada użytkownik, i w związku z tym pozwala na

określenie jakie informacje są potrzebne z punktu widzenia wyboru późniejszych działań.

Zastosowanie sieci probabilistycznych jako formalnej reprezentacji wiedzy diagnostycz-

nej w systemie doradczym zaprezentowane zostało na przykładzie analizy pompy nurnikowej

będącej podzespołem homogenizatora ciśnieniowego do mleka i śmietany. Przedstawiona

została graficzna konceptualizację mechanizmu wnioskowania diagnostycznego dla podze-

społu „pompa nurnikowa”. Skrajne węzły grafu reprezentują stany inicjujące zaburzenia

funkcjonowania obiektu oraz symptomy związane z tymi stanami. Pomiędzy nimi, na po-

szczególnych poziomach wyspecyfikowane zostały przyczyny wystąpienia symptomów aż do

osiągnięcia etapu inicjatorów. W efekcie zaprezentowanych działań użytkownik otrzymuje

rozkład prawdopodobieństw dla poszczególnych przyczyn i inicjatorów przy zadanym stanie

obiektu.

Z kolei w publikacji F zaprezentowany został sposób budowania modelu niezawodno-

ściowego linii technologicznej do produkcji mleka. Model taki jest gotową do uruchomienia


23 z 38

aplikacją do wspomagania decyzji eksploatacyjnych Użycie miar probabilistycznych wynika

stąd, że zmiany stanu mogą zachodzić według mniej lub bardziej nieprzewidywalnego wpły-

wu otoczenia oraz procesów zużycia i starzenia materiałów konstrukcyjnych. Wprowadzone

zostały dodatkowo węzły sieci reprezentujące działania eksploatacyjne, np. wymianę uszko-

dzonego elementu. Przewidywalność zachowania się złożonego obiektu wymaga bieżącego

śledzenia stanu jego części oraz, w zależności od tych obserwacji, podejmowania odpowied-

nich działań korygujących (obsługowych).

W modelu, którym jest sieć korygowana działaniami obsługowymi, użytkownik potrzebu-

je odwzorować ewolucję zmian stanu eksploatowanego obiektu. W tym przypadku również

zostały użyte dynamiczne sieci probabilistyczne. W zastosowanych tu sieciach uwzględniana

jest lokalizacja zdarzeń w czasie, a łączny rozkład prawdopodobieństwa nad zbiorem statycz-

nych zmiennych losowych jest zastąpiony przez procesy losowe.

Rozkład prawdopodobieństwa nad tymi wartościami zależy od czasu. W celu wyznacze-

nia funkcji niezawodności (gotowości w przypadku obiektów naprawialnych) obiektu, defi-

niowaną jako prawdopodobieństwo znajdowania się obiektu w stanie zdatności przez zadany

czas i w zależności od tego czasu, użytkownik uwzględnia w budowanej sieci bayesowskiej

wymiar czasu. Jego dyskretyzację przeprowadzona została w ten sposób, że jako krok czaso-

wy przyjąłem czas potrzebny na dzienny przerób surowca. Wymiar czasu jest rekurencyjnie

symulowany poprzez dwie warstwy sieci odpowiadające przekrojom czasowym „t” i „t+1”.

Każdy składnik linii technologicznej może zostać zdekomponowany na elementy składo-

we i zamodelowany jako subsieć. W oparciu o prezentowany model można rozwiązywać róż-

ne problemy decyzyjne. Jedną z kluczowych decyzji, jaką musi podjąć użytkownik w przy-

padku wystąpienia sytuacji problemowej podczas wykonywania zadania przez linię produk-

cyjną jest odpowiedź na pytanie - czy kontynuować proces pomimo wystąpienia symptomów

uszkodzeń?

Kolejne zastosowanie sieci probabilistycznych zaprezentowane zostało w publikacji G,

gdzie zbudowany został model w technologii sieci bayesowskich umożliwiający predykcję

występowania incydentów medycznych związanych z użytkowaniem kompozytów stomato-

logicznych

Analizowany był proces wytwarzania wyrobu medycznego i sam wyrób medyczny (kom-

pozyt stomatologiczny) z punktu widzenia finalnego, niepożądanego zdarzenia określanego

jako incydent medyczny. W technologii sieci bayesowskich zbudowany został model umoż-

liwiający predykcję występowania incydentów medycznych związanych z użytkowaniem

kompozytów stomatologicznych. Może on funkcjonować jako adaptacyjna baza wiedzy (al-

gorytmy uczenia maszynowego) umożliwiająca predykcję incydentów medycznych oraz dia-

gnozowanie przyczyn ich wystąpienia poprzez zastosowanie typowych dla sieci bayesow-

skich algorytmów inferencyjnych. Zidentyfikowane zostały ciągi zdarzeń prowadzących do

powstania incydentów medycznych.

Wyniki tej identyfikacji zobrazowane zostały za pomocą drzewa zdarzeń, które następnie

przekształcone w sieć bayesowską. W utworzonym drzewie zdarzeń ciągi zdarzeń prowadzą-

ce do tych incydentów zostały opisane w formie dysjunktywnej przy użyciu bramek logicz-

nych OR. Każda bramka OR ma wejścia należące do dwóch grup zdarzeń związanych bądź z

wadami kompozytu stomatologicznego lub z błędami jego użytkownika (stomatologa). Ko-

lejnym krokiem jest przekształcenie drzewa zdarzeń w sieć bayesowską, co sprowadza się do

odwzorowania poszczególnych zdarzeń w binarne zmienne losowe reprezentowane przez

węzły sieci bayesowskiej połączone łukami skierowanymi, reprezentującymi relacje przyczy-

nowo – skutkowe pomiędzy zdarzeniami oraz zmiany bramek logicznych na węzły sieci re-

prezentujące te operacje. W porównaniu z drzewem zdarzeń sieć bayesowska umożliwia

głębsze uwzględnienie niepewności wynikającej z niewiedzy poprzez zastosowanie w miejsce

probabilistycznych bramek OR bramek NOISY_OR.


24 z 38

Taka reprezentacja wiedzy umożliwia, poprzez zastosowanie algorytmów uczenia maszy-

nowego i automatycznego wnioskowania, uzyskiwanie praktycznie użytecznych odpowiedzi

na szereg pytań dotyczących poziomu ryzyka i jego dystrybucji po stronie producenta i użyt-

kownika wyrobu medycznego.

Niezawodność procesów produkcyjnych

W każdym przedsiębiorstwie eksploatującym obiekty techniczne kluczem do prowadzenia

właściwej działalności służb utrzymania ruchu jest przewidywalność zachowania się tych

obiektów oraz ich niezawodność i bezpieczeństwo. Z przewidywaniem zachowania się obiek-

tu technicznego związana jest odpowiednia wiedza niezawodnościowa. Wiedza niezawodno-

ściowa odpowiednio sformalizowana i zaimplementowana w informatycznej infrastrukturze

przedsiębiorstwa w postaci odpowiedniego systemu wiedzy, pozwala na poprawę przewidy-

walności zachowań obiektu technicznego. Zastosowanie metod formalnych do reprezentacji

wiedzy eksploatacyjnej umożliwia konceptualizację problematyki eksploatacji maszyn w ka-

tegoriach niezawodności, przewidywalności i bezpieczeństwa [Jensen 2007, Szopa 2009].

Pojęcie niezawodności ma ścisły związek semantyczny z pojęciem niepewności. Niepew-

ność dotyczy w tym przypadku chwili wystąpienia stanu niezdatności eksploatowanego

obiektu technicznego. Niepewność ta może mieć naturę epistemiczną wynikającą z niepełnej

informacji o interesującym nas obiekcie – stanie technicznym poszczególnych węzłów kon-

strukcyjnych, ich rezerwom wytrzymałościowym itp. oraz stanie bliższego i dalszego otocze-

nia eksploatacyjnego, w tym środowiska użytkowania. Obok niepewności epistemicznej istot-

ne są makroskopowe manifestacje procesów kwantowych. Niepewność jest więc również

atrybutem podmiotu sprawczego (operatora) a nie tylko obiektu, którego dotyczy. Aktualnie

ugruntowane jest empiryczne przeświadczenie, że dobrymi miarami niepewności są miary

probabilistyczne. A zatem, jeżeli przyjmiemy, że niezawodność jest kategorią niepewności to

odpowiednią miarą jest w tym przypadku prawdopodobieństwo.

Nadmierne zużycie elementu w strukturze urządzenia powoduje zaistnienie niezgodności

(niekompatybilności) strukturalnej lub funkcjonalnej. Niekompatybilność może dotyczyć nie

tylko struktury lub funkcji obiektu ale także wytrzymałościowych i trybologicznych właści-

wości materiałów konstrukcyjnych. W odniesieniu do układów biotechnicznych istotna jest

biokompatybilność. Niekompatybilność może wystąpić już na etapie doboru materiału kon-

strukcyjnego oraz technologii jego kształtowania. W przeciwieństwie do klasycznych zdarzeń

zawodnościowych takich jak uszkodzenia i zużycia, zaistnienie niekompatybilności może

mieć miejsce w dowolnym stadium istnienia obiektu, a więc na etapie projektowania, produk-

cji, eksploatacji i utylizacji.

Reprezentacja wiedzy w formie sieci bayesowskich ma uzasadnienie wówczas, gdy mamy

do czynienia z niepewnością i miarą niepewności są prawdopodobieństwa warunkowe –

wszystko, co wiemy, wiemy z dokładnością do rozkładu prawdopodobieństwa. Sieć reprezen-

tuje łączny rozkład prawdopodobieństwa opisany w n - wymiarowej przestrzeni zmiennych

losowych.

W probabilistyce bayesowskiej każde prawdopodobieństwo w rzeczywistości jest warun-

kowe. Warunek jest zawsze jakimś zakresem wiedzy, który uwzględniamy przy opisie roz-

kładu prawdopodobieństwa zdarzeń nas interesujących. W rozpatrywanym problemie kontek-

stowych modeli niezawodności ten zakres wiedzy definiuje interesujący nas kontekst i obej-

muje tu wyniki normatywnych badań, które przeprowadza się na materiałach stomatologicz-

nych. Zakłada się, że badania te wnoszą istotną informację o zachowaniu się badanych mate-

riałów w późniejszych układach ich zastosowań. Gdyby tak nie było, nie byłoby potrzeby ich

wykonywania. Wyniki takich badań nie są charakterystykami niezawodnościowymi obiek-

tów, w których będą zastosowane jako ich elementy konstrukcyjne. Mogą natomiast stanowić

kontekst informacyjny dla predykcji miar niezawodności i preskrypcji działań dotyczących


25 z 38

wymiany elementów, które stały się niekompatybilne z układami, w których znalazły zasto-

sowanie.

Zdarzenie zaistnienia niekompatybilności jako jednej z kategorii niezdatności może zaist-

nieć nie tylko podczas użytkowania obiektu ale również we wszystkich pozostałych fazach

cyklu jego istnienia. Potraktowanie niekompatybilności jako zdarzenia przejścia obiektu ze

stanu zdatności do stanu niezdatności w sposób istotny zwiększa złożoność modeli niezawod-

nościowych, co uzasadnia potrzebę ich modularyzacji. Reprezentacja modeli niezawodno-

ściowych w języku sieci bayesowskich jest jednym z najłatwiejszych sposobów ich modula-

ryzacji. Wynika to z rekurencyjnej struktury języka grafów.

W publikacji H przedstawione zostało zastosowanie bayesowskiego modelowania proba-

bilistycznego jako sposobu standaryzacji opracowania wyników pomiarów, uzupełniającego

standaryzację operatorowo – proceduralną na przykładzie wyznaczania wytrzymałości kom-

pozytów stomatologicznych. Przedstawiony został problem pozyskania wiedzy na temat charakterystyk wytrzymało-

ściowych badanych materiałów. Przedstawiona została metoda wyznaczania i porównywania

charakterystyk wytrzymałościowych. Metody takie stosowne są również w celu zwiększenia

przewidywalności i porównywalności badań wytrzymałościowych. Statystyka bayesowska

pozwala na zgodne z intuicją inżynierska łączenie jakościowej wiedzy przedmiotowej z wy-

nikami pomiaru.

Następnym zagadnieniem poruszonym w omawianej publikacji jest problem niezawodno-

ści układów biotechnologicznych. Przedstawiona została konceptualizacja niezawodności

układu biotechnologicznego na przykładzie układu: „ząb – wypełnienie stomatologiczne”.

W tym przypadku potrzebne okazało się wprowadzenie nowej subkategorii pojęcia uszkodze-

nie (failure) a mianowicie compatibility failure (niezgodność). Zdarzenie polegające na zaist-

nieniu niezgodności pomiędzy obiektem biologicznym a komponentem stomatologicznym

należy potraktować jako nową kategorię zdarzeń losowych typu uszkodzenie i do nich między

innymi odnieść pojęcie niezawodności układów biotechnologicznych. Zgodnie z normą PN-

EN ISO 4049:2010 należy uwzględnić trzy rodzaje niekompatybilności: biologiczną, este-

tyczną i trwałościową. Każda z tych kategorii ma jeszcze szczegółowe subkategorie, specyfi-

kowane w odrębnych normach. W wymienionej normie występują także subkategorie kompa-

tybilności wytrzymałościowej i antyradiacyjnej.

W statystyce bayesowskiej tworzone są modele generatywne. Poszukiwany jest łączny

rozkład prawdopodobieństwa zmiennych losowych pod warunkiem zaobserwowania konkret-

nych ich realizacji z uwzględnieniem posiadanej wiedzy na temat relacji przyczynowo – skut-

kowych pomiędzy tymi zmiennymi. Hipotezy dotyczą parametrów rozkładu, o których zakła-

da się, że są znane z dokładnością do apriorycznego rozkładu prawdopodobieństwa. Przy po-

jawieniu się nowych danych (realizacji obserwowanych zmiennych losowych) następuje ak-

tualizacja warunkowych rozkładów prawdopodobieństwa wszystkich zmiennych w modelu,

w tym parametrów rozkładu. W rezultacie użytkownik dostaje rozkłady aposterioryczne po-

szczególnych zmiennych losowych oraz aposterioryczny, łączny rozkład prawdopodobień-

stwa.

W prezentowanym przypadku jako model probabilistyczny wytrzymałości na zginanie

przyjęty został rozkład Weibull’a. Graf (Rys.7) ma tyle węzłów, ile wielkości występuje we

wzorze1 (przy budowaniu sieci parametr skali oznaczono η „eta” a parametr kształtu β „be-

ta”) oraz węzły reprezentujące czynniki eksperymentu. W tym przypadku są to: rodzaj mate-

riału, rodzaj światła używanego w procesie utwardzania i czas naświetlania.

(1)


26 z 38

Rysunek 7. Probabilistyczny model wytrzymałości materiałów stomatologicznych

Uczenie sieci polega na wstecznej propagacji wyników pomiarów wytrzymałości na zgi-

nanie. Sieć probabilistyczna jest uczona aby uzyskać estymację parametrów β i η dla zasto-

sowanych materiałów i warunków eksperymentu.

Problem porównywania obiektów o właściwościach znanych z dokładnością do rozkładu

prawdopodobieństwa w klasycznej statystyce sprowadza się do porównania wartości średnich

z uwzględnieniem ich przedziałów ufności. W przypadku statystyki bayesowskiej mamy wię-

cej niż średnią – mamy łączne rozkłady prawdopodobieństwa. Pozwala to na uzyskiwanie

odpowiedzi z dokładnością do rozkładu prawdopodobieństwa na szereg pytań rozstrzygają-

cych czy też porównujących.

W prezentowanym zastosowaniu sieci bayesowskich porównywanie sprowadza się do

uruchomienia procedur inferencyjnych. Celem wnioskowania jest w tym przypadku odpo-

wiedź na pytanie o stosunek (ile razy?) lub różnicę (o ile?) pomiędzy porównywanymi wiel-

kościami o wyznaczonych rozkładach prawdopodobieństwa. W tym celu do sieci bayesow-

skiej dodawane są deterministyczne węzły reprezentujące różnicę lub stosunek porównywa-

nych wielkości

Technologia bayesowskiego modelowania probabilistycznego narzuca jednolitą, wy-

starczająco ekspresywną interpretację uzyskanych wyników. Produktem tej technologii jest

formalny i wykonywalny model (system reprezentacji wiedzy).Jest to zmiana tradycyjnego

sposobu interpretacji badań wytrzymałościowych, robionych na żądanie i obliczeniowo nie-

nawiązujących do badań poprzednich, w adaptacyjny proces kumulacji wiedzy w postaci co-

raz dokładniejszych modeli.

W drugiej części artykułu zaproponowano konceptualizację i metodę modelowania

niezawodnościowego układów biotechnologicznych w odniesieniu do „uszkodzeń” będących

zaistnieniem określonego typu niekompatybilności pomiędzy komponentami układu biotech-

nologicznego. Odpowiednią w tym przypadku metodą modelowania niezawodności są rów-

nież sieci bayesowskie, których węzły reprezentują znane z dokładnością do rozkładu praw-

dopodobieństwa zdarzenia zaistnienia niekompatybilności.

Warunek kompatybilności w grafowej reprezentacji wiedzy

Opisując w p 4.1 moje osiągnięcia wskazałem, że ważnym stwierdzeniem stosowanym

w moich pracach był paradygmat „oparcie produkcji na wiedzy i informacji”. Konsekwencją

tego stwierdzenia jest wymaganie racjonalności i optymalności procesów produkcji. Opty-

malność oznacza wybór działań (podejmowanie decyzji) spełniających określone ogranicze-

nia oraz maksymalizujące/minimalizujące kryteria jakości (funkcję celu). Praca I dotyczy

konstruowania obiektu, na przykładzie podnośnika kubełkowego, poprzez składanie go z wła-


27 z 38

ściwie dobranych, kompatybilnych elementów (ograniczenia) tak, ażeby osiągnąć maksymal-

ną wydajność (funkcja celu). Wykorzystano tu metodę Constrain Logic Programing(CLP)

[Apt 2003, Apt, Wallace 2006, Niederliński 2014].

W publikacji I przedstawiłem zastosowanie języka grafów przy programowaniu w języku

logiki ograniczeń (CLP) przy projektowaniu obiektów technicznych na przykładzie projekto-

wania podnośnika kubełkowego

Celem procesu projektowania jest symboliczna, formalna i wykonalna specyfikacja pro-

jektowanego obiektu (maszyny, urządzenia, itp.) spełniająca określone wymagania funkcjo-

nalne, strukturalne, materiałowe, wytrzymałościowe, trwałościowe, niezawodnościowe itd.

Wymagania te można zapisać w postaci skończonego zbioru ograniczeń nałożonych na wiel-

kości charakteryzujące projektowany obiekt a będące przedmiotem decyzji projektanta. Takie

wielkości, które zależą od decyzji projektanta, nazywa się zmiennymi decyzyjnymi. Kom-

pletny zapis konstrukcji, poprzez specyfikację ograniczeń nałożonych na zmienne decyzyjne

i zapisanych w języku logiki predykatów, staje się programem komputerowym, którego wy-

konanie daje w rezultacie przypisania zmiennym decyzyjnym takich wartości, które spełniają

zadany zbiór ograniczeń [Jaffar, Maher 1994].

Zaprezentowaną metodę projektowania zilustrowano na przykładzie podnośnika kubeł-

kowego. Przedstawiona została hierarchiczna struktura obiektu, pokazany sposób konfiguro-

wania systemu oraz przedstawione przykładowe zbiory dopasowanych do siebie komponen-

tów. Przedstawiony przykład projektowania został znacznie uproszczony. W rzeczywistości

ograniczeń nakładanych na projektowane obiekty techniczne jest znacznie więcej. Należałoby

umieścić także takie, które dotyczą np. bezpieczeństwa, ochrony środowiska itp.

Ze względu na złożoność obliczeniową pożądane jest, ażeby dziedziny poszczególnych

zmiennych decyzyjnych miały skończoną i niezbyt dużą liczbę wartości. Oznacza to, że opi-

sana metoda projektowania jest odpowiednia do podejścia, w którym projektowany obiekt jest

konfigurowany z zestandaryzowanych i wcześniej zaprojektowanych, gotowych komponen-

tów o znanych charakterystykach, uwzględnianych przy precyzowaniu i sprawdzaniu ograni-

czeń kompatybilności.

4.2.4. Podsumowanie

Wszystko co dzieje się w świecie fizycznym można przedstawić jako proces. Wszystko

to, co nie jest badanym procesem traktowane jest jako otoczenie procesu, nazywane również

otoczeniem problemowym (Rysunek 8).

Przedsiębiorstwa zazwyczaj zorganizowane są funkcjonalnie dzieląc się na działy a nie

procesowo zgodnie z sekwencją etapów koniecznych do wytworzenia danego produktu.

W wyniku takiego sposobu zarządzania zazwyczaj niewiele osób (a czasami nikt) nie jest

odpowiedzialny za działanie w perspektywie całego procesu. Wysiłki związane z doskonale-

niem koncentrują się wówczas na wybranych elementach procesu. Dlatego część decyzji

związanych z zarządzaniem będzie dość przypadkowa ponieważ decydenci w poszczególnych

obszarach produkcyjnych będą prowadzić działania optymalizujące dla ich działu i wycinka

procesu a nie będą optymalne z perspektywy procesu jako całości.


28 z 38

PROCESwejście wyjście

Otoczenie procesu

Parametry wejścia X

Parametry wyjścia Y

Generowane dane:

X, S, Y, Θ, ζ,

Obserwowane parametry:

‒ wejścia,

‒ przebiegu procesu,

‒ wyjścia,

‒ oddziaływania otoczenia

Parametry procesu S

Parametry otoczenia procesu Θ, ζ

Dane: - wydobywane, - gromadzone, - przetwarzane

‒ grafowe bazy danych, ‒ sieci bayesowskie

X

S

Y

Θ

ζ Semantyczna baza danych

Wiedza i informacja

0

1

0 1

Rysunek 8. Proces produkcji oparty na wiedzy i informacji

Każdy proces ma wejścia i wyjścia, które są kontrolowane przez obserwacje i pomiary

(monitorowanie). Oznacza to, że zarówno wejścia jak i wyjścia mają swoje parametry czyli

określoną wielkość i jej wartość. Istnieją też parametry procesu, które ustawia użytkownik lub

są generowane przez proces bez ingerencji użytkownika. Otoczenie procesu również generuje

dane. Część tych danych od strony jakościowej jak i wartości liczbowej użytkownik jest

w stanie przewidzieć i odczytać, ale zawsze występuje niepewność wyrażona poprzez praw-

dopodobieństwo wartości oczekiwanej oraz niepewność co do identyfikacji danego wpływu.

Oznacza to, że użytkownik może nie znać niektórych wielkości zarówno procesu jak i oto-

czenia procesowego, które mogą mieć wpływ na wyjścia z procesu. Wejście X, wyjście Y,

parametry procesu S oraz parametry otoczenia procesu które użytkownik jest w stanie ziden-

tyfikować Θ jak i te, które nie zostały zidentyfikowane ζ to są dane ale części tych danych jest

dość dobrze znana, cześć znana w niewielkim stopniu a niektórych użytkownik w ogóle nie

zna – nie wie zatem jakie jest oddziaływanie takiego czynnika na proces i zazwyczaj jest to

czynnik losowy. Czynniki losowe to mogą być oddziaływania, które można mierzyć ale nie

można nadawać im wartości a jedynie je odczytywać. Ponadto mogą wystąpić czynniki loso-

we, których użytkownik nie jest w stanie określić. W przypadku, gdy dany czynnik losowy

jest znany użytkownikowi oddziaływujący na proces to użytkownik może go zmierzyć po-

nieważ jest mierzalny (mają swoją miarę np. surowiec, produkt, znane oddziaływania, wyma-

gania). Oprócz tego na proces może działać coś czego użytkownik nie mierzy ani nie wie na-

wet, co takiego oddziałuje na proces. Można w takim przypadku założyć jakiś rozkład praw-

dopodobieństwa albo dany parametr pominąć. W każdym z tych przypadków występują

wówczas rozkłady prawdopodobieństwa o różnych kształtach.

Przedstawione podejście zakłada, że oprócz produktu głównego i produktów ubocznych

fizycznych każdy proces produkuje dane i należy je odczytywać, gromadzić i przetwarzać.

Przetwarzanie oznacza, że proces fizyczny należy zamienić w proces obliczeniowy. W wyni-

ku tego procesu obliczeniowego można wydobywać z procesu fizycznego informacje i wie-

dzę, która ta jest niezbędna do tego aby móc sterować, zarządzać procesem fizycznym i dzięki

temu go kontrolować.

Gromadzona wiedza i informacja ma dużą wartość w procesie eksploatacji czy przy pro-

jektowaniu stanowi wartość prowadzonych przeze mnie badań. Wydobywanie informacji


29 z 38

i wiedzy ma być wykorzystywane w celu oddziaływania na proces – zmianę struktury, zmianę

funkcjonowania itd. Wiedza i informacja musi być gromadzona w semantycznych bazach

danych ponieważ prosta baza danych przechowująca tekst czy wypowiedzi lub baza danych

typu SQL jest niewystarczająca.

Obecnie wbudowuje się procesy badawcze (poznawcze, kognitywne) w procesy produkcji

wyrobów i usług. Jest to wykonywane w sposób pozwalający na sytuację, gdzie każdy proces

fizyczny może się komunikować zarówno z użytkownikiem jak również z całym swoim oto-

czeniem. W tym przypadku graf jest symbolem wymiany a relacje są w rzeczywistości prze-

pływami. Żeby coś się z czymś połączyło to pomiędzy elementami łączącymi się musi nastę-

pować wymiana, przepływ czegoś np.: energii, informacji, materiałów, pieniędzy. Jeżeli wy-

miana nie wystąpi to nie wystąpi również połączenie. W przypadku braku przepływów

wszystko się izoluje od siebie i nic na siebie nie oddziaływają a więc nie tworzy żadnej zło-

żoności, która jest celowa, przewidywalna i powtarzalna i z której można korzystać. Graf daje

odpowiedź na pytania: z czego dana złożoność się składa jak są powiązane składniki, jakimi

relacjami, oddziaływaniami i przepływami (opis struktury). Wszystko to można wyrazić za

pomocą zdań. Struktura zdania też jest grafem ponieważ graf zawsze opisuje strukturę. Dlate-

go rozwiązaniem, który na dzień dzisiejszy jest korzystne, jest zastosowanie bazy grafów.

Wprowadzenie warunku kompatybilności przy rozpatrywaniu niezawodności jako zgod-

ności oznacza sprawdzenie, czy rozpatrywany układ spełnia warunki zgodności i z jakim

prawdopodobieństwem je spełnia. To prawdopodobieństwo staje się wówczas miarą nieza-

wodności.

Na wszystko należy patrzeć jak na złożoność (system) ale też żaden system nie może ist-

nieć statycznie. System musi istnieć jako proces czyli jako zmienność w czasie i musi na do-

datek mieć tą własność, że jest obserwowalny, oczywiście w ograniczonym zakresie, a zatem

ma niepewność epistemiczną a miarą niepewności epistemicznej jest prawdopodobieństwo.

Stąd w podejściu procesowym zakłada się istnienie czynnika niepewności i dlatego należy

zastosować najbardziej dzisiaj dopracowaną metodologię – sieci bayesowskie.

W moich publikacja dane procesowe są wskazywane jako jedno z najwartościowszych

źródeł wiedzy i informacji o procesie a wymagania dyrektyw unijnych wpisują się w filozofię

oparcia procesów produkcyjnych na wiedzy informacji. Dlatego badane procesy wymagają

zastosowania środków i działań umożliwiających wydobywanie i gromadzenie danych proce-

sowych oraz analityki tych danych z wykorzystaniem metod inżynierii wiedzy i inżynierii

danych. Technologia sieci probabilistycznych (bayesowskich) pozwala na szybkie, niemal

zautomatyzowane przekształcanie wiedzy ekspertów, wyrażonej werbalnie lub zapisanej

w języku naturalnym, w postać modeli komputerowych. Sieci bayesowskie spełniają lepiej

lub gorzej kryteria bycia systemem reprezentacji wiedzy. Najważniejsze z nich to istnienie

algorytmów uczenia maszynowego na przykładach empirycznych oraz algorytmów automa-

tycznego wnioskowania [Pearl 1988].

Dane muszą być generowane przez rzeczywiste procesy eksploatacji poszczególnych

obiektów. Dane nie powinny pochodzić z eksperymentów gdyż w eksperymencie zawsze wy-

stępują ograniczenia narzucone w zaplanowanych warunkach tego eksperymentu. Ponadto

w eksperymencie następuje filtracja danych związana z planem i warunkami eksperymentu.

Sam fakt obserwacji procesu może wpłynąć na proces i zmienić jego parametry.

W eksperymencie nie otrzymuje się danych rzeczywistych tylko dane przefiltrowane przez

plan badań. Przy budowie modelu nie bierze się pod uwagę wszystkich danych ponieważ

uwzględniane zostaną tylko te, które są zgodne z planem eksperymentu. Lecz wówczas model

nie będzie odzwierciedlał rzeczywistości ponieważ nastąpiła ingerencja w proces, a każda

ingerencja zawsze zmienia proces. Nawet sam fakt obserwacji może zmienić proces.

W proponowanym przeze mnie metodzie dane są traktowane jako pewne i nie jest im

przypisywane prawdopodobieństwo. To parametry rozkładu danych są niepewne dlatego sto-


30 z 38

suję metody bayesowskie i dlatego zadaję parametry rozkładu z dokładnością do rozkładu

prawdopodobieństwa. Jest to podejście zupełnie odwrotne niż w przypadku wykorzystywania

statystyki matematycznej. Niepewność nie jest narzucana na dane tylko na parametry rozkła-

du. Nie mierzy się parametrów rozkładu tylko na podstawie danych model uczy się rozkładów

prawdopodobieństwa tych parametrów.

Rozszerzyłem również postrzeganie niezawodności poprzez wprowadzenie dodatkowo

warunku kompatybilności czyli zgodności. Jest to spełnienie warunków, że rozpatrywany,

dany układ spełnia warunki zgodności i z jakim je spełnia prawdopodobieństwem, które to

prawdopodobieństwo jest tutaj miarą niezawodności. Koniecznym stało się przedefiniowanie

niepożądanych stanów z pojęcia uszkodzenia (stan niezdatności) do pojęcia „niekompatybil-

ność”. Elementy składowe obiektu mogą być zdatne w sensie dopasowania i niezawodności

ale nie są kompatybilne ze względu na kontekst wewnętrzny czy zewnętrzny i mogą dopro-

wadzić do uszkodzenia. Przedstawiłem na przykładach, jak można uczyć sieć bayesowską na

potrzeby budowania modelu niezawodnościowego w proponowanej konceptualizacji

uwzględniającej kompatybilność.

Dość istotnym elementem przeprowadzonych badań jest przedstawienie złożoności za-

gadnień, które występują w badanych obszarach oraz pewne uporządkowanie wiedzy

z zakresu zastosowania metod badawczych wykorzystywanych do wspomagania rozwiązań

problemów związanych ze wspomaganiem procesów decyzyjnych w zarządzaniu procesami

z wykorzystywaniem zasobów wiedzy i informacji generowanych przez badane procesy.

Podjęta tematyka obejmuje zagadnienia istotne z punktu widzenia zarządzania procesami

w aspekcie doskonalenia jakości tych procesów oraz eksploatacji maszyn przemysłu spo-

żywczego, ich niezawodności i bezpieczeństwa.

Wykorzystanie danych procesowych do wydobywania z nich zawartości semantycznej

w postaci wiedzy i informacji można uznać za główną hipotezę metodologiczną, na której

oparłem cały swój dorobek naukowy, którego początki sięgają lat 90-tych ubiegłego wieku.

Wynikiem moich prac jest wykreowanie sposobu postrzegania rzeczywistości produkcyj-

nej jako procesu, z którego wbudowanymi w proces produkcji analitycznymi metodami inży-

nierii danych wydobywana jest wiedza i informacja będące zasobem warunkującym racjonal-

ność i optymalność decyzji.

Obecnie moje prace mieszczą się w dominującym teraz na świecie nurcie badawczym

wykorzystującym dane procesowe i modelowanie procesów poprzez zastosowanie algoryt-

mów uczenia maszynowego oraz algorytmów inferencyjnych wbudowanych w infrastrukturę

informatyczną procesów produkcji i funkcjonujących w czasie rzeczywistym. Algorytmy te

z założenia funkcjonują na danych procesowych gromadzonych w semantycznych bazach

danych a ważnym krokiem w tym kierunku jest powstanie technologii NoSQL-owych baz

danych w tym grafowych baz danych, których semantyka wynika z teorii grafów i algoryt-

mów grafowych.

4.3. Literatura źródłowa

1. Apt K. R., - Principles of Constraint Programming, Cambridge Univ. Press, 2003.

2. Apt K. R., Wallace M., Constraint Logic Programming using Eclipse, Cambridge

University Press, 2006

3. Bartnik G., Kusz A., Marciniak A. W. (a) - Problemy reprezentacji funkcji i struktury

obiektu technicznego w komputerowych systemach wiedzy. MOTROL 2001, Motory-

zacja i energetyka rolnictwa – III Międzynarodowa Konferencja naukowo – Technicz-

na. Lublin 2001, s. 7 – 12

4. Bartnik G., Kusz A., Marciniak A. W. (b) - Reprezentacja i operacjonalizacja wiedzy

o stanie obiektu z wykorzystaniem sieci probabilistycznych. Komputerowo wspoma-


31 z 38

gana analiza niezawodności systemów. XXIX Zimowa Szkoła Niezawodności.

Szczyrk, 2001, S. 26-33.

5. Bartnik G., Kusz A., Marciniak A. W. (c) - Utrzymanie maszyn w ujęciu procesowym

w przemyśle rolno – spożywczym, Inżynieria Rolnicza z. 11 (31), Warszawa 2001, s.

85 – 90.

6. Bartnik G., Kusz A., Marciniak A.W. (d) - Problem reprezentacji funkcji i struktury

obiektu technicznego w komputerowych systemach wiedzy. Motoryzacja i Energetyka

Rolnictwa – II Międzynarodowa Konferencja Naukowo – Techniczna, WAR Lublin

2001.

7. Bartnik G., Kusz A., Marciniak A.W. Probabilistic expert systems modeling break-

downs procedures, Operational Dependability of Machines’2000, Proceedings of In-

ternational Conference Prague, June 14 - 16, 2000, Czech university of Agriculture in

Prague, pages 10 – 14.

8. Brown C. et al., Accounting and Auditing, w: The Handbook of Applied Expert Sys-

tems, red. J. Liebowitz, CRC Press, New York 1998.

9. Bubnicki Z., Wstęp do systemów ekspertowych, PWN, Warszawa 1990.

10. Gabski F., Jadźwiński J.: Metody bayesowskie w niezawodności i diagnostyce. WKŁ,

Warszawa, 2001.

11. Huahai He, & Ambuj K. Singh (2008). Graphs-at-a-time: query language and access

methods for graph databases ACM SIGMOD international conference on Management

of data (SIGMOD ’08).

12. JaffarJ., MaherM. J., Constraint Logic Programming: A Survey, Journal of Logic Pro-

gramming, 19-20, 503–581 1994

13. Jensen F.V., Bayesian Networks and Decision Graphs, Springer, New York, 2007,

ISBN:978-0-387-68281-5.

14. Jensen P.B. 1996. ISO 9000, Przewodnik i komentarz. Wydawnictwa Normalizacyjne

„ALFA-WERO” SP. Z.O.O., Warszawa.

15. Klir G. J. (red) Ogólna teoria systemów, PWN Warszawa 1976.

16. Kusz A. Marciniak A.W. Wybrane problemy reprezentacji wiedzy eksploatacyjnej w

systemach ekspertowych. Zagadnienia Eksploatacji Maszyn, 1995, z.1, s.87-92.

17. Levene M., Poulovassilis A. (1990) - An Object-Oriented Data Model Formalised

Through Hypergraphs, Data & Knowledge Engineering (DKE) 6, 3, 205–224.

18. Mahadevan S., Zhang R., Smith N.: Bayesian networks for system reliability reas-

sessment Struktural Safety 23, p. 231-251, 2001.

19. Marciniak A. W. (kier. tematu) 1996-2005. Rolnictwo oparte na wiedzy i informacji.

TKT-BW/7, KPT, WIP, AR w Lublinie.

20. Marciniak A. W. Projektowanie system reprezentacji wiedzy o rolniczym procesie

produkcyjnym, rozprawa habilitacyjna, Wydawnictwo Akademii Rolniczej w Lubli-

nie, Lublin 2005.

21. Mulawka J. J.: Systemy ekspertowe. WNT Warszawa 1996.

22. Niederliński A. Programowanie w logice z ograniczeniami. Łagodne wprowadzenie

do platformy ECLiPSe, Wydawnictwo Pracowni Komputerowej Jacka Skalmierskie-

go, wydanie 3, Gliwice 2014

23. Niederliński A., Regułowo-modelowe systemy ekspertowe rmse, Wydanie 2, PKJS,

str. 687, Gliwice, 2014.

24. Oliver Robert, M., Smith James Q: Infuence Diagrams, Belief Nets and Decision

Analysis. JOHN WILEY & SONS. 1988 New York.

25. Pearl J.: Probabilistic reasoning in intelligent systems: networks of plausible reason-

ing. Morgan-Kaufman Publ. Inc. 1988.

26. Ross R. G., Principles of the Business Rule Approach, Addison Wesley, Boston, 2003


32 z 38

27. Sowa J. F. Knowledge Representation Logical, Philosophical and Computational

Foundations Brooks/Cole Thomson Learning, CA USA 2000.

28. Szopa T.: Niezawodność i bezpieczeństwo. Oficyna Wydawnicza Politechniki War-

szawskiej. Warszawa, 2009.

5. Omówienie pozostałego dorobku naukowego niewchodzącego w skład osiągnięcia

naukowego wymienionego w punkcie 3

5.1. Dorobek naukowy przed uzyskaniem stopnia naukowego doktora

Pierwsze prowadzone przeze mnie badania przeprowadzane były w odniesieniu do eks-

ploatacji maszyn przemysłu mleczarskiego. Korzystałem tu przede wszystkim z własnego

doświadczenia zawodowego wyniesionego z pracy w Okręgowej Spółdzielni Mleczarskiej

(OSM) w Lublinie, gdzie pełniłem między innymi funkcję Głównego Mechanika. Odpowia-

dałem za utrzymanie w stanie zdatności użytkowej całego parku maszynowego zakładu

w Lublinie oraz kilkudziesięciu punktów skupu mleka w rejonie Lublina.

Jakość wyrobów mleczarskich, oprócz oczywistych walorów smakowych, skierowana jest

na poprawę trwałości i wydłużanie terminów przydatności do spożycia. Jednym ze sposobów

na poprawienie jakości mleka czy śmietany i wydłużenie terminu ich przydatności do spoży-

cia jest homogenizacja. Problemy eksploatacyjne związane z homogenizacją związane są

z dobraniem właściwych parametrów homogenizacji (ciśnienie homogenizacji, wielkość

i kształt szczeliny zaworu homogenizującego) oraz konstrukcją zaworu homogenizującego.

Badania homogenizatorów na terenie OSM Lublin prowadzone były przez pracowników Poli-

techniki Lubelskiej przy współudziale przedstawicieli producenta tych urządzeń – SPOMASZ

Bełżyce. Brałem w nich udział zarówno jako student Politechniki w ramach prac Koła Na-

ukowego jak i później jako pracownik OSM Lublin. Badane były parametry homogenizacji

i ich wpływ na efekt homogenizacji oraz zużycie wybranych elementów homogenizatora [1,

2, 3, 6].

Zajmowałem się też problemem pomiarów masy w przemyśle mleczarskim. Specyfika te-

go zagadnienia polegała na fakcie, że mleko przyjmowane było od hodowców na podstawie

pomiarów pojemności (na punktach skupu) a zakład mleczarski odbierał mleko z punktów

skupu na podstawie pomiarów masy przyjmowanego mleka i dział produkcji przyjmował

mleko również w jednostkach masy natomiast rozliczenie z handlem następowało znowu na

podstawie pomiarów objętości. Wymagało to przeprowadzania dodatkowo pomiarów zawar-

tości tłuszczu w mleku i stosowania dość złożonej metody przeliczania objętości na masę

i masy na objętość [4]. W przemyśle ziemniaczanym pomiar masy również służył do wyzna-

czania nie tylko ilości ziemniaków podawanych w jednostkach masy ale również do wyzna-

czania zawartości skrobi [8]. Po rozpoczęciu pracy na Akademii Rolniczej swoje badania na-

ukowe skoncentrowałem na zagadnieniu eksploatacji maszyn w procesach produkcyjnych [9].

Publikacje wydane w tym okresie:

1. Bartnik M., Bartnik G.: Budowa i badanie homogenizatorów produkcji krajowej. I Kra-

jowa Konferencja Uczelniano - Przemysłowa „Homogenizacja w przemyśle spożyw-

czym” Politechnika Lubelska, Lublin 1981, s.63-65.

2. Bartnik G.: Nowoczesne metody oznaczania efektu homogenizacji mleka. I Środowi-

skowe Sympozjum Młodych Pracowników Nauki. Politechnika Lubelska, Lublin 1983, s.

17-20.

3. Bartnik G.: Wirujące zawory homogenizujące. III Ogólnopolska Konferencja Naukowo –

Techniczna „Budowa i eksploatacja maszyn przemysłu spożywczego”. AR Lublin, 1984,

s. 5-6


33 z 38

4. Bartnik G.: Pomiar masy w przemyśle mleczarskim. II Konferencja Naukowo – Tech-

niczna „Mechanizacja i automatyzacja pomiaru masy w przemyśle rolno – spożywczym”.

Akademia Rolnicza w Lublinie, 1988.

5. Bartnik G., Korybski J., Popko H.: Badanie kierunków zmniejszenia zużycia wody w

myjkach butelek. X-ta Krajowa Konferencja Naukowo – Techniczna „Problemy gospo-

darki energią w przemyśle mleczarskim”. ART. Olsztyn 1991, s. 83-86.

6. Bartnik M., Bartnik G.: Energochłonność homogenizacji. X-ta Krajowa Konferencja

Naukowo – Techniczna „Problemy gospodarki energią w przemyśle mleczarskim”. ART.

Olsztyn 1991, s. 86-88.

7. Bartnik G. Wybrane aspekty planowania cykli remontowych w przemyśle rolno-

spożywczym. Problemy techniki rolniczej i leśnej: III Międzynarodowa Konferencja Na-

ukowa: XV lat Wydziału Techniki Rolniczej i Leśnej, Warszawa, 16-17 września 1992,

475-477, Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego, 1992

8. Bartnik M., Bartnik G. Problemy budowy nowoczesnych wag do wyznaczania skrobio-

wości ziemniaków. Problemy techniki rolniczej i leśnej: III Międzynarodowa Konferencja

Naukowa : XV lat Wydziału Techniki Rolniczej i Leśnej, Warszawa, 16-17 września

1992 467-470, Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego, 1992

9. Bartnik G., Kusz A., Marciniak A.W.: Model hybrydowego systemu reprezentacji wie-

dzy w systemie ekspertowym w zakresie eksploatacji maszyn. Inżynieria Wiedzy i Syste-

my Ekspertowe. Tom 2. Pod redakcją Zdzisława Bubnickiego i Adama Grzecha. Oficyna

Wydawnicza Politechniki Wrocławskiej, Wrocław 1997, s. 151-155.

W okresie pracy w OSM Lublin uzyskałem także świadectwa autorskie o dokonaniu wzoru

użytkowego:

Bartnik G. jako współtwórca – Świadectwo autorskie o dokonaniu wzoru użytkowego pt.

„Regulator zabezpieczający homogenizator przed nadmiernym wzrostem ciśnienia”,

udzielone prawo ochronne nr 37653, świadectwo autorskie nr 54754, Warszawa

29.02.1984 r.

Bartnik G. jako współtwórca – Świadectwo autorskie o dokonaniu wzoru użytkowego pt.

„Homogenizator”, udzielone prawo ochronne nr 40738, świadectwo autorskie nr 62679,

Warszawa 04.06.1986 r.

5.2. Osiągnięcia po uzyskaniu stopnia naukowego doktora

Po uzyskaniu stopnia naukowego doktora moja praca badawcza obejmowała następujące

obszary:

procesy produkcji, bezpieczeństwo tych procesów i wytwarzanego w nim produktu ze

szczególnym uwzględnieniem żywności (bezpieczeństwo zapewnia między innymi

sprawny park maszynowy),

inżynieria produkcji,

niezawodność i bezpieczeństwo procesów,

utrzymanie maszyn,

procesowy paradygmat zarządzania jakością (normy ISO dotyczące zarządzania).

Moje prace obejmują badanie procesów produkcji i dystrybucji żywności w aspekcie ich

jakości i bezpieczeństwa, procesów eksploatacji maszyn przemysłu spożywczego, niezawod-

ności i bezpieczeństwa materiałów biotechnologicznych z uwzględnieniem wymagań dla pro-

cesów zawartych w normach ISO.

Postrzeganie procesów produkcji jako generujących wiedzę i informacje stanowi podsta-

wę moich prac. Prowadzone badania dotyczyły następujących procesów;

eksploatacji maszyn przemysłu spożywczego,

produkcji i dystrybucji żywności w aspekcie ich jakości i bezpieczeństwa,


34 z 38

niezawodności i bezpieczeństwa eksploatowanych obiektów technicznych

niezawodności i bezpieczeństwa materiałów biotechnologicznych (kompozytów sto-

matologicznych)

Systemowe podejście do problematyki eksploatacji wynika w sposób bezpośredni z wy-

magań norm ISO serii 9000. Tym niemniej wymagania normy należy traktować jako pewne-

go rodzaju „ramę”. To czym ta rama zostanie wypełniona zależy od tworzącego system jako-

ści. W przypadku, gdy problematyka dotyczy zagadnień związanych z eksploatacją obiektów

technicznych tworzącym system jakości powinien być inżynier eksploatujący te obiekty. Dla-

tego też tak ważnym jest odniesienie wymagań normy ISO 9001 do eksploatacji. Zarządzanie

jakością przekłada się bezpośrednio na wymagania w zakresie utrzymania maszyn. Normy

określają ogólne wymagania dotyczące systemu zapewnienia jakości, w tym również systemu

utrzymania maszyn.

System jakości pomaga precyzować wzajemne wymagania wszystkich uczestników cyklu

istnienia wyrobu. Zadania związane z wdrażaniem Systemu Zapewnienia Jakości w utrzyma-

niu maszyn obejmują dokumentowanie i śledzenie historii eksploatacyjnej obiektów technicz-

nych. Konieczna jest koordynacja działań eksploatacyjnych na poziomie całego zakładu

z uwzględnieniem zasobów ludzkich, możliwości technicznych i czynnika czasu. Daje to

możliwość optymalnego wyboru co do rodzaju i kolejności działań i ich wykonawców.

Systemy Zapewnienia Jakości wymagają udokumentowanych procedur postępowania

w każdej możliwej sytuacji. Procedury te obejmują zakres czynności koniecznych i zaleca-

nych przez producenta oraz wynikających z lokalnej pragmatyki eksploatacyjnej.

Wymagania norm ISO, zwłaszcza związane z systemem zapewnienia jakości, powinny

być zaspokajane poprzez odpowiednio zaprojektowane systemy eksploatacyjnego wspomaga-

nia użytkownika. Tworzone tu sprzężenia informacyjne sprzyjają powstawaniu mechanizmu

samoregulacji i synchronizacji działań pomiędzy wszystkimi uczestnikami procesu produkcji

i eksploatacji w szerokim tego słowa znaczeniu. Pozwala to na osiągnięcie celu jakim jest

wytworzenie wyrobu o jakości zadowalającej klienta.

Swoje publikacje naukowe mogę zaklasyfikować do kilku grup badań:

bezpieczeństwo procesów wraz z oceną ryzyka ich wybranych etapów przechowywa-

nia i transportu niebezpiecznych wyrobów chemicznych A.3, A 5, A 6, A 7, A 9, D

32, D29 – załącznik 5, rozdział II,

produkcja rolnicza w ujęciu jakościowym (problemy w produkcji buraków cukro-

wych) D 5, D 6, D 7, D 8, D 10, D 70, D 71, D 72, D 73, D 74, D 75 – załącznik 5,

rozdział II,

zapewnienie jakości i ciągłe doskonalenie w procesach w obszarze produkcji rolno –

spożywczej oraz bhp (badania problemu separacji i czyszczenia ziaren zbóż, zarzą-

dzania procesami produkcji żywności) D 4, D 18, D 23, D 24, D 25, D 26, D 27, D 28,

D 33, D 35, D 36, D 38, D, 39, D 40, D 43 – załącznik 5, rozdział II,

wpływ zmian parametrów procesów technologicznych na gotowy wyrób spożywczy

II.A.1, A.2, D 22 – załącznik 5, rozdział II,

badania związane z traktowaniem biokompatybilności jako elementu niezawodności

na przykładzie wyrobów medycznych (kompozyty stomatologiczne) A.4, D 15, D 16,

D 21 – załącznik 5, rozdział II,

Moje badania w najbliższej perspektywie czasowej obejmują lub będą obejmować prace

idące w kierunku budowania modeli niezawodnościowych mieszczących się w pojęciu nie-

zawodności kontekstowej oraz kompatybilności, szczególnie biokompatybilności. Układy

biotechniczne są przykładem obiektów, dla których należałoby rozszerzyć pojęcie uszkodze-

nia poprzez zastąpienie go pojęciem niekompatybilności jako zdarzenia zaistnienia stanu nie-

dopasowania komponentu technicznego do obiektu biologicznego. Zdarzenie zaistnienia nie-

kompatybilności jako jednej z kategorii niezdatności może wystąpić nie tylko podczas użyt-


35 z 38

kowania obiektu ale również we wszystkich pozostałych fazach cyklu jego istnienia. Potrak-

towanie niekompatybilności jako rodzaju niezdatności w sposób istotny zwiększa złożoność

modeli niezawodnościowych, co uzasadnia potrzebę ich modularyzacji. Reprezentacja modeli

niezawodnościowych w języku sieci bayesowskich jest jednym z najłatwiejszych sposobów

ich modularyzacji. Wynika to z rekurencyjnej struktury języka grafów.

Będę wykorzystywał wypracowane podejście metodologiczne, gdzie zarządzanie proce-

sami odbywa się poprzez ich reprezentację w systemie wirtualnym. Jeżeli rzeczywistość ist-

nieje nie tylko fizycznie ale można stworzyć jej wirtualny obraz to również procesy oblicze-

niowe mogą odbywać się wirtualnie. Należy zwrócić uwagę na badany system i jego dalsze

i bliższe otoczenie, badać je nie tylko poprzez silne oddziaływania ale przede wszystkim od-

działywania słabe (niskoenergetyczne). Takie oddziaływania są również ważne i obejmują

przepływ informacji. W otaczającej nas rzeczywistości wszystko oddziałuje na wszystko i

model świata powinien uwzględniać fakt, że każdy element tego świata „mówi” do otoczenia

a zadaniem obserwator jest umieć odczytać te informacje, gromadzić i interpretować. Każdy

obserwator może odbierać te sygnały w innym zakresie i w sobie potrzebnym obszarze je

wykorzystywać. Wykorzystywana będzie ontologia procesowa do tworzenia schematów poję-

ciowych a procesy poznawane przez oddziaływania, które zawsze polegają na wymianie. Ko-

nieczne jest identyfikowanie oddziaływania ze źródłem czy otoczeniem.

Kolejne podjęte przeze mnie badania obejmują poznawanie procesów poprzez ich wza-

jemne oddziaływania. Wymiana pomiędzy procesami, obiektami czy systemami jest inherent-

ną cechą oddziaływania. Wszystkie oddziaływania są energetyczne a informacje są oddziały-

waniami niskoenergetycznymi (słabymi). W każdej złożonej strukturze pomiędzy jej składni-

kami występuje wzajemne oddziaływanie poprzez wymianę informacji. Uzyskanie informacji

z procesów wymaga szerszego stosowania sensorów zbierających te informacje. Metaforą

procesów jest zawsze przepływ czyli zmiana położenia w przestrzeni fizycznej lub zmiana

stanu. Badane będą zatem struktury czasoprzestrzenne.

Moje prace w sensie podejścia metodologicznego, zastosowanych metod i narzędzi ba-

dawczych a przede wszystkim sposobu widzenia procesów rzeczywistych implikuje przed-

stawione powyżej dalsze, zgodne ze światowymi trendami, kierunki badań.

5.3. Osiągnięcia dydaktyczne, organizacyjne i popularyzatorskie

Od początku zatrudnienie w Uniwersytecie Przyrodniczym (uprzednio Akademia Rolni-

cza) do chwili obecnej prowadziłem zajęcia z następujących przedmiotów:

„Części maszyn”,

„Rysunek techniczny”,

„Zarządzanie jakością”,

„Zarządzanie jakością i obsługa informatyczna procesów przemysłowych”,

„Podstawy Konstrukcji Maszyn”,

„Konstrukcje maszyn”,

„Kontrola i audyt”,

„Audyt w BHP”,

„Bezpieczeństwo Informacji”,

„Audytor wewnętrzny systemów zarządzania jakością”,

„Systemy kontroli i zarządzania jakością”,

„Bezpieczeństwo systemów informatycznych”.

Od roku 2003 prowadzę zajęcia z przedmiotu „Zarządzanie jakością” i „Audytor we-

wnętrzny systemów zarządzania jakością”, po zaliczeniu których w myśl umowy pomiędzy

UP Lublin a firmą audytorską Bureau Veritas Polska, studenci mogą uzyskać certyfikat audy-

tora wewnętrznego systemów zarządzania jakością. W chwili obecnej jestem jedyną osobą na


36 z 38

UP Lublin, która posiada uprawnienia z ramienia Bureau Veritas do prowadzania tych zajęć

i przeprowadzania egzaminu na ich zakończenie.

Na Uniwersytecie Przyrodniczym byłem promotorem 93 prac magisterskich i 38 inżynier-

skich oraz recenzowałem 11 prac magisterskich i 11 inżynierskich. W przypadku 84 prac ma-

gisterskich i 32 inżynierskich tematy prac były zainspirowane realnymi potrzebami przedsię-

biorstw z Lublina i okolic i dotyczyły zarówno prac konstrukcyjnych jak i tworzenia doku-

mentacji systemów: zarządzania jakością, zarządzania bezpieczeństwem i higieną pracy, bez-

pieczeństwem informacji oraz zarządzania ochroną środowiska.

Działalność dydaktyczną prowadziłem również poza uczelnią. Od września 1987 do

czerwca 1988 (jako pracownik OSM Lublin) prowadziłem zajęcia w Zespole Szkół Pedago-

gicznych i Technicznych Lublinie z przedmiotów „Rysunek techniczny” i „Podstawy kon-

strukcji Maszyn”.

W latach 2003 – 2004 prowadziłem zajęcia na kursie dla przedstawicieli firm z Lublina

i okolic związany z wdrażaniem systemu zarządzania ISO 9001 i systemu HACCP w ramach

programu „Kapitał Ludzki” realizowanego przez firmę ENTERPLAN Warszawa.

W latach 2003 – 2005 prowadziłem zajęcia w Wyższej Szkole Przedsiębiorczości i Admi-

nistracji w Lublinie z przedmiotu „Zarządzanie jakością” na kierunku „Zarządzanie przedsię-

biorstwem” a od września 2009 prowadzę zajęcia z przedmiotu „Metrologia” na kierunku

„Transport”.

W latach 2005 - 2006 prowadziłem zajęcia na Podyplomowych Studiach Menedżer Jako-

ści na Wydziale Prawa i Administracji UMCS Lublin z przedmiotów „Normalizacja w Pol-

sce- wymagania prawne”, „Informatyka w zarządzaniu jakością”, „Normalizacja w UE” oraz

prowadziłem seminarium dyplomowe oraz byłem promotorem 6 i recenzentem 5 prac dyplo-

mowych.

W latach 2010-2011w ramach e-learningu prowadziłem przedmiot „Systemy jakości” na

WSPiA Lublin (WSPA:INF:261)

W 2011 roku w ramach studiów podyplomowych Menedżer Systemów Zarządzania

w Wyższej Szkole Przedsiębiorczości i Administracji w Lublinie prowadziłem zajęcia z

przedmiotów: „System zarządzania jakością-ISO 9001:2000”, „Ciągłe doskonalenie syste-

mów zarządzania”, „Audity jako narzędzie w systemach zarządzania”, „Auditor wewnętrzny

systemu zarządzania jakością”, „Zasady TQM” oraz byłem promotorem 7 prac dyplomo-

wych.

W latach 2009 – 2011 prowadziłem zajęcia „Odnawialne źródła energii i działania pro-

ekologiczne” w ramach projektu „Kapitał ludzki” – projekt współfinansowany ze środków

Unii Europejskiej w ramach Europejskiego Funduszu Społecznego realizowanego w Ogólno-

polskim Ośrodku Szkoleniowym EURO ENGLISH w Lublinie.

W roku akademickim 2011-2012 w ramach projektu „Kapitał ludzki” – projekt współfi-

nansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego –

przeprowadziłem kurs audytora wewnętrznego wraz z przeprowadzeniem egzaminu końco-

wego dla studentów UP Lublin z kierunku zamawianego na specjalności biotechnologia.

Przez trzy kadencje byłem członkiem Rady Wydziału jako przedstawiciel pracowników

naukowo - dydaktycznych, byłem również członkiem Wydziałowej Komisji ds. Dydaktyki

i Wychowania. Przez dwa lata pełniłem funkcję sekretarza w Wydziałowej Komisji Rekruta-

cyjnej Wydziału Techniki Rolniczej gdzie byłem również opiekunem roku.

Jestem członkiem pozauczelnianych towarzystw naukowych: Polskiego Towarzystwa Za-

stosowań Informatyki w Rolnictwie, Gospodarce Leśnej i Żywnościowej oraz Polskiego Na-

ukowo – Technicznego Towarzystwa Eksploatacyjnego gdzie jestem członkiem Zarządu Ko-

misji Lubelskiej, jestem również członkiem Komisji II Podstaw i Zastosowań Fizyki i Chemii

w Technice, Rolnictwie i Medycynie Polskiej Akademii Nauk Oddziału w Lublinie (kadencje

2003 - 2018).


37 z 38

UZYSKANE NAGRODY, WYRÓŻNIENIA I ODZNACZENIA

Za swoją działalność na rzecz uczelni i wydziału otrzymałem:

Nagrodę zespołową II stopnia Rektora Akademii Rolniczej w Lublinie za działalność

naukową w roku 1998

Jubileuszowy Medal Wydziału Inżynierii Produkcji w 2005 roku

Wyróżnienie Ministra Rolnictwa i Rozwoju Wsi za współautorstwo „Kodeksu do-

brych praktyk w produkcji buraków cukrowych” wydanego w 2008 roku

Medal Komisji Edukacji Narodowej w 2011 roku

Honorową Odznakę Uniwersytetu Przyrodniczego w Lublinie w 2011 roku

Medal Złoty za Długoletnią Służbę w 2017 roku

Nagrodę indywidualną III stopnia za działalność naukową w latach 2015 - 2017

w 2018 roku

WSPÓŁPRACA Z PRZEMYSŁEM

Przebieg pracy zawodowej przed zatrudnieniem w jednostkach naukowych:

1981 – 1989 – Okręgowa Spółdzielnia Mleczarska w Lublinie

- Specjalista w Dziale Głównego Mechanika (1981 – 1983)

- Specjalista w Dziale Głównego Energetyka (1983 –1984)

- Główny Mechanik (1984 -1989) – odpowiedzialny za utrzymanie w ruchu maszyn

i urządzeń, nadzór nad procesem technologicznym w zakresie obsługi technicznej

w zakładzie mleczarskim i ok. 60 punktach skupu mleka

1989 – 1990 – Zakład Usług Technicznych przy Wojewódzkim Klubie Techniki i Racjo-

nalizacji w Lublinie:

- Specjalista do spraw wdrożeń – organizowanie zespołów do projektowania indywidu-

alnych projektów inwestycyjnych, projektowania i wykonywania nietypowych ele-

mentów maszyn, wdrażania projektów racjonalizatorskich

W ramach współpracy z przemysłem byłem zatrudniony w charakterze Pełnomocnika ds.

Systemu Zarządzania Jakością w przedsiębiorstwach zajmujących się badaniami i produkcją

oraz dystrybucją wyrobów medycznych (Załącznik 5 p. III Q 3). Dla tych firm prowadziłem

również audyty pierwszej i drugiej strony.

Jako konsultant wspomagałem procesy budowania, utrzymywanie i doskonalenie syste-

mów zarządzania jakością ISO 9001 i HACCP oraz prowadziłem szkolenia w tym zakresie

(Załącznik 5 p. III Q 4). Były to głównie małe i średnie przedsiębiorstwa z terenu Lublina

i województwa lubelskiego.

W latach 2012 - 2018 byłem konsultantem w obszarze analizy ryzyka i ustalania mierni-

ków jakości procesów w Regionalnym Centrum Krwiodawstwa i Krwiolecznictwa (RCKiK)

w Lublinie. Dla RCKiK przeprowadzałem również w latach 2013-2017 audyty bezpieczeń-

stwa informacji a w 2015 roku zbudowałem system zarządzania bezpieczeństwa informacji

zgodnie z wymaganiami normy ISO 27001.

Wykonywałem audyty w charakterze audytora wewnętrznego systemu HACCP i szkoli-

łem pracowników audytowanych firm w zakresie wymagań tego systemu oraz wspomagałem

te przedsiębiorstwa w doskonaleniu systemów zarządzania (Załącznik 5 p. III Q 6). Prowadzi-

łem również audyty wewnętrzne jako audytor wiodący na rzecz Akademii Rolniczej w Lubli-

nie w latach 2010 – 2011 w ramach spełniania wymagań systemu zarządzania jakością uczel-

ni zgodnego z normą ISO 9001. Prowadziłem taż jako audytor wewnętrzny systemu zarzą-

dzania jakością ISO 9001 audyty w firmach „Montex Okna” Lublin, CORA-TEX Krasny-

staw, PTE Lublin (Załącznik 5 p. III Q 7).

Zdobyte przez mnie pozostałe doświadczenie zawodowe i kwalifikacje dotyczą przede

wszystkim wiedzy i uprawnień z zakresu zarządzania jakością, budowania i audytowania sys-


38 z 38

temów zgodnych z wymaganiami norm ISO 9001, 17025, 13485, 27001, 22000 (HACCP)

(Załącznik 5 p. III Q od 8 do 18)

6. Zestawienie liczbowe osiągnięć

Tabela 1. Zestawienie liczbowe publikacji według czasopism

L.p

. Nazwa czasopisma

Liczba

publi-

kacji

Punkty

MNiSW

w roku wyda-

nia (łącznie)

Współczynnik

Impact Factor

według roku wy-

dania

wykaz z

31.10.2018

1. Eksploatacja i Niezawodność

- Maintenance and Reliability 1 25 1,248 1,145

2. Przemysł Chemiczny 5 75 1,980 1,967

3. International Agrophisics , 1 25 1,067 0,967

4. Acta of Bioengineering and Biomechan-

ics 1 15 0,767 0,964

5. Transactions of the ASABE 1 30 0,96 1,118

6. Polish Journal of Chemical Technology 1 15 0,725 0,550

7. Inżynieria Rolnicza 14 56

8. Zagadnienia Eksploatacji Maszyn 2 12

9. Problemy Jakości 1 4

10. Gazeta Cukrownicza 3 1,5

11. Przemysł Spożywczy 1 3

12. Eksploatacja i Niezawodność 4 10

13. Teka Komisji Motoryzacji i Energetyki

Rolnictwa 2 12

14. Postępy Nauki i Techniki 2 8

15. Autobusy 3 18

16. Mechanik 12 132

17. Information systems in management 1 5

18. Ergonomia, bezpieczeństwo i higiena

pracy w praktyce 2 10

19. Computing in Science and Technology 1 15

Razem 58 471,5 6,747 6,711

Tabela 2. Zestawienie publikacji według kategorii

L.p. Kategoria czasopisma Liczba

publi-

kacji

Punkty MNiSW

w roku wydania

(łącznie)

Współczynnik

Impact Factor

według roku

wydania

wykaz z

31.10.2018

1 Czasopisma indeksowane w bazie JCR,

dla których określono współczynnik

Impact Factor 10 185 6,747 6,711

2 Czasopisma z listy B MNiSW 45 257,50 -

3 Publikacja w czasopiśmie naukowym

nieposiadającym IF i punktów MNiSW 35 -

4 Publikacje popularnonaukowe 19 -

Razem 109 442,5 6,747 6,711

autoreferat - wrib.up.poznan.pl · załącznik ii (autoreferat) 6 z 38 ploatacyjnych do modelu,...

Documents